SNACK AI 2강: 딥러닝의 구조와 학습 원리

1. 생물학적 뉴런 vs 인공 뉴런

딥러닝의 인공 신경망은 인간 뇌의 뉴런(신경세포)에서 영감을 받았습니다. 생물학적 뉴런이 전기 신호를 주고받듯이, 인공 뉴런도 숫자 데이터를 주고받습니다.

• 입력(Input): 다른 뉴런으로부터 신호를 받음
• 가중치(Weight): 각 입력의 중요도를 결정
• 활성화 함수: 출력 여부를 결정
• 출력(Output): 다음 뉴런으로 신호 전달

2. 신경망의 층(Layer) 구조

딥러닝의 신경망은 여러 층으로 구성됩니다. 입력층, 은닉층, 출력층으로 나뉘며, 은닉층이 많을수록 "깊은(Deep)" 신경망이 됩니다.

1. 입력층(Input Layer): 데이터가 처음 들어오는 층
2. 은닉층(Hidden Layer): 데이터를 처리하고 특징을 추출하는 층
3. 출력층(Output Layer): 최종 결과를 내보내는 층

3. 딥러닝의 학습 원리: 역전파

딥러닝은 "역전파(Backpropagation)"라는 방법으로 학습합니다. 예측이 틀리면 오차를 계산하고, 그 오차를 줄이는 방향으로 가중치를 조정합니다.

학습 과정: 1. 순전파: 입력 → 예측 출력 2. 오차 계산: 예측과 정답 비교 3. 역전파: 오차를 줄이도록 가중치 조정 4. 반복: 오차가 충분히 줄어들 때까지

4. 왜 "딥"러닝일까?

"딥(Deep)"은 은닉층이 여러 개라는 의미입니다. 층이 깊어질수록 더 복잡한 특징을 학습할 수 있습니다.

• 얕은 신경망: 단순한 패턴만 인식 가능
• 깊은 신경망: 복잡한 패턴과 추상적 개념까지 학습 가능
• 예: 이미지 인식에서 첫 층은 선, 다음 층은 모양, 깊은 층은 물체를 인식