딥러닝 개요 (Deep Learning Overview)

🎯 학습 목표

• 딥러닝의 개념을 이해한다.
• 딥러닝의 역사를 살펴본다.
• 딥러닝 개발환경을 구축한다.

---

🧩 딥러닝의 개념

🔹 인공지능(AI), 머신러닝(ML), 딥러닝(DL)의 관계

구분개념설명

AI (Artificial Intelligence)	인공지능	인간의 지능을 컴퓨터로 구현하려는 기술 전반
ML (Machine Learning)	머신러닝	데이터를 기반으로 규칙을 스스로 학습하여 예측
DL (Deep Learning)	딥러닝	인공신경망(ANN)을 이용해 인간의 학습 방식을 모방

💬 요약:
AI ⊃ ML ⊃ DL
(딥러닝은 머신러닝의 한 분야이자, 인공지능의 하위 개념)

---

🧠 딥러닝의 기본 원리

• 인간 뇌의 뉴런 구조를 모방한 인공신경망 기반
• 입력(Input) → 가중합 → 활성화(Activation) → 출력(Output)
• 대표 수식:y=wx+by = wx + by=wx+b→ 선형 모델의 기본 형태
• 단순한 선형 모델을 다층으로 확장하면 복잡한 패턴을 학습할 수 있음

---

🚗 예시: 자동차 구분 모델

• 입력 특징(Feature): 바퀴 유무, 날개 유무, 형태
• 출력: 자동차 / 비자동차 분류
• 모델이 스스로 특징 조합을 학습해 구분함

---

🧮 기존 머신러닝 vs 딥러닝

구분기존 머신러닝딥러닝

특징 추출	사람이 직접 Feature Engineering	모델이 자동으로 Feature 학습
입력 형태	숫자, 통계적 특징 중심	이미지, 음성, 텍스트 등 복잡한 데이터
모델 구조	얕은(Shallow) 구조	깊은(Deep) 다층 신경망
대표 알고리즘	SVM, Decision Tree, KNN 등	CNN, RNN, MLP, GAN 등
학습 데이터 필요량	적음	매우 많음 (Big Data 기반)
연산 자원	CPU 중심	GPU / TPU 필수

🧩 결론:
딥러닝은 데이터와 연산 자원이 충분할 때 기존 머신러닝보다 압도적인 성능을 낸다.

---

🕰️ 딥러닝의 역사

연도주요 사건비고

1943	ANN 개념 도입	인공 뉴런 모델 최초 제안
1958	Perceptron 제안	최초의 인공신경망 모델
1969	XOR 문제 제기	퍼셉트론의 한계 확인
1986	MLP & Backpropagation 제안	비선형 문제 해결 가능
1990s	Gradient Vanishing 문제 대두	깊은 네트워크 학습의 어려움
1998	LeNet-5 (CNN)	이미지 인식의 시작
2006	RBM → DBN	비지도 사전학습으로 딥러닝 부활
2013~2015	ReLU, Dropout, DQN	과적합 해결 및 강화학습 발전
2023	ChatGPT	대규모 언어모델의 대표적 사례

📌 딥러닝은 여러 한계를 극복하며 “학습 자동화”와 “지능화”를 향해 발전 중이다.

---

🧭 딥러닝 학습 로드맵

1. 퍼셉트론 (Perceptron) – 기본 구조
2. 다층 퍼셉트론 (MLP) – 비선형 문제 해결
3. 오차 역전파 (Backpropagation) – 학습 알고리즘
4. 합성곱 신경망 (CNN) – 이미지 처리
5. 순환 신경망 (RNN) – 시계열 / 텍스트 데이터
6. GAN (Generative Adversarial Network) – 이미지 생성
7. 딥 강화학습 (Deep Reinforcement Learning) – 자율 학습 기반 의사결정

---

🧰 딥러닝 프레임워크

프레임워크특징

TensorFlow	구글이 개발한 범용 프레임워크
Keras	TensorFlow 기반의 고수준 API — 블록 조립하듯 모델 구현 가능
PyTorch	직관적 인터페이스, 연구용으로 인기
Colab	GPU 무료 제공, 설치 없이 웹에서 실습 가능

💡 현재는 TensorFlow + Keras 조합이 표준으로 자리잡음.

---

💻 개발 환경 구축 (Colab 예시)

1. 구글 계정으로 로그인 후 Google Colab 접속
2. GPU 런타임 설정: 런타임 → 런타임 유형 변경 → GPU 선택
3. 코드 셀을 통해 Python 기반으로 모델 작성
4. 데이터 업로드 및 시각화 가능

---

🔬 실습 예시: Keras를 이용한 학생 성적 예측

• 입력: 성별, 나이, 부모의 직업/교육수준, 결석 횟수
• 출력: 학생의 시험 점수 예측
• 입력 특성이 1개 → 단순 회귀 모델
• 입력 특성이 다수 → 다중 회귀 모델 (MLP 형태로 확장 가능)

---

📘 핵심 요약

핵심 개념설명

딥러닝	인공신경망 기반의 머신러닝 기법
기존 ML과 차이	딥러닝은 특징 추출을 자동화
발전 과정	Perceptron → MLP → CNN/RNN → GAN → ChatGPT
프레임워크	TensorFlow + Keras, PyTorch
학습 환경	Colab으로 쉽게 구축 가능

---

✨ 한 줄 요약

딥러닝은 인간의 뇌를 모방한 인공신경망으로, 데이터를 스스로 학습하여 예측하는 현대 인공지능의 핵심 기술이다.