1 분 소요

딥러닝이란?

  • Deep Neural Networks (DNN)을 학습시켜 문제를 해결하는 것
  • 인공신경망(Artificial Neural Networks)의 전통을 이어받아
    • Neuron들로 구성된 신경망을 학습시켜 문제를 해결하도록 동작하는 함수
  • 기존 신경망에 비해 더 깊은 구조를 가지며
    1. 과거에 비해 더 깊은 신경망을 더 잘 학습시킬 수 있습니다
    2. 인터넷의 발달과 빅데이터가 널리 활용됨에 따라 신경망의 깊이를 더 깊게 학습시킬 수 있게 되었습니다
    3. GPU를 통한 병렬연산이 대중화되어 신경망의 학습과 추론의 속도가 비약적으로 증가하였습니다.
  • 비선형 함수이며 기존 머신러닝보다 패턴인식능력이 탁월합니다
  • 이미지나 텍스트, 음성 같은 분야에서 비약적인 성능 개선을 이루었습니다
    • 기존 머신러닝과는 다르게 hand-craft feature가 필요 없음
    • 단순히 raw 값을 넣음으로써, 자동으로 feature를 학습함

  • 1980년대, Back-propagation(역전파) 알고리즘에 의해 중흥을 맞음

  • 2000년대만 해도 큰 발전 없이 근근히 이어지다가 2010년대 초, ImageNet과 음성인식(Speech Recognition)이 상용화 되었고, 2015년에는 기계번역(Machine Translation)이 사용화되었음. 이어서 2017년에는 알파고(AlphaGo)가 인간을 이겼으며, 2018년에는 GAN을 통해 실존하지 않는 인물의 얼굴사진을 실존인물이라 해도 믿을만큼 그럴싸하게 만들게 되었음


패러다임의 변화

  • 기존
    • Hand-crafted feature를 추출하여 머신러닝 모델에 넣어 학습
    • 여러 단계의 sub-module로 이루어져 있었음(e.g. 음성인식, 기계번역 등)
  • 새로운 패러다임
    • Raw 값을 신경망에 넣으면, 자동으로 feature(특징)을 학습
    • 하나의 task에 대해 하나의 신경망 모델이 존재하는 end-to-end 방식

이와 더물어 오픈소스문화와 빠른(무료)논문의 공유로 발전이 더욱 가속화 되었음


딥러닝 활용 사례

  • 음성인식(Speech Recognition), 사용자 의도 파악(Intend Classification)
    • e.g. Apple Siri, Google Assistant, Samsung Bixby
  • 기계번역(Machine Translation)
  • 자율주행(Autonomous Driving)
  • 객체 인식(Object Detection), 이미지 분류(Image Classification)
    • e.g. 흑백사진 → 컬러사진, 저해상도 사진 → 고해상도 사진
  • 데이터 분석(Data Science)
    • Tabular 데이터 분석
    • 시계열(time-series) 데이터 분석

댓글남기기