[Deep Learning] Introduction

용어

Artificial Intelligence(인공지능) : 인간의 지능이 갖고 있는 기능을 갖춘 컴퓨터 시스템. 인간의 지능을 기계 등에 인공적으로 구현한 것.

Machine Learning(기계학습) : 인공지능에 포함된 개념으로 충분한 Data(Big data)가 있을 때 data Modeling을 통해 새로운 data를 도출해 내서 decision을 만들어 내는 것. 즉 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야

Deep Learning(딥러닝) : 기계학습의 한 분야로 인공 신경망 기술을 이용함. 기계학습 알고리즘의 집합.

 

What you'll learn in this course

1. (Artificial) Neural Networks and Deep Learning

- The foundations of neural networks

- How to build a (deep) neural network

- How to train it on data

- Build a deep neural network to recognize (ex. cat image)

 

2. Improving Deep Neural Networks : Hyperparameter tuning(가중치를 어느정도 조정하느냐), Regularization and Optimization

- The practical aspects of deep learning

- How to actually get the neural network to perform well

 

3. Structuring your Deep Learning Practices

- Strategy for building a machine learning system

- Switch your data into train(딥러닝 모델을 학습하는데 쓰이는 data 가중치 값 조절)/dev(학습되고 있는 data들의 성능이 얼마나 좋은지)/test sets

- End-to-end deep learning(Input 값과 Output 값 사이에 전처리/후처리가 없는 딥러닝 모델)

 

4. A Variety of Deep Learning Models

- Usually applied to images and texts

 

 

Deep Learning 에 대해 자세하게 들어가기 앞서 간단한 예를 들어보자.

 

위의 그림에서 각 X점과 파란 점선의 차이는 Error 값이다. 이 Error값을 최소화 하는 작업을 Regretion이라고 한다.

여기서  weight x라는 input값이 들어가고 neuron에서 Modeling 후 price y 라는 output이 나오는게 딥러닝의 기초다.

 

Supervised Learning(지도학습)

머신 러닝의 알고리즘의 한 종류로 input data와 output data가 pair로 주어져서 학습이 되는 방식.

 

Neural Network 예시

1. Standard NN

2. Convolutional NN(CNN)

3. Recurrent NN(RNN)

 

 

- 이때 NN/Deep Learning에 Structure data(Schema 존재) vs Unstructured data? -> Unstructured Data가 더 효과적.

- 딥러닝은 data가 많을 수록 성능이 좋아진다. data의 수가 적으면 다른 고전적인 알고리즘의 성능이 나을 수도 있다. 

- 딥러닝의 learning progress는 Idea(어떤 DL Model?), Code(코드로 구현), Experiment(실험) -> 아이디어 변경의 반복으로 이루어진다.