Related to: Deep Learning
딥러닝(Deep Learning)은 인공신경망(Artificial Neural Network) 을 기반으로 하는 기계학습 기법으로, 복잡하고 추상적인 패턴을 자동으로 학습할 수 있도록 설계된 알고리즘 집합입니다.
딥러닝은 특히 대규모 데이터와 고성능 연산 자원을 활용할 수 있을 때, 사람 수준 이상의 성능을 보이는 것이 특징입니다. 예컨대 이미지 인식, 음성 인식, 자연어 처리 등에서 기존 전통적 방식보다 더 우수한 성능을 입증해왔습니다.
왜 “Deep”한가?
“Deep”이라는 용어는 신경망의 은닉층(hidden layer) 수가 많다는 데서 유래합니다.
층이 많아질수록 더 복잡한 개념을 계층적으로 추출할 수 있게 되며, 이를 통해 추상적 표현(abstract representation) 을 학습할 수 있습니다.
- 저층: 엣지, 선, 곡선 등 단순 특징
- 고층: 구조, 객체, 의미 등 고차원 개념
주요 특징
- 표현 학습 (Representation Learning)
사람이 설계한 feature가 아닌, 모델이 스스로 입력의 유의미한 표현을 학습 - 비선형성
ReLU, Sigmoid, Tanh 등의 활성화 함수를 통해 복잡한 함수 근사 가능 - 종단 간 학습 (End-to-End Learning)
입력부터 출력까지 통합된 구조로 전체 최적화 수행 - 범용성
다양한 입력 유형(이미지, 음성, 텍스트 등)에 적용 가능
대표 아키텍처
- MLP – 다층 퍼셉트론, 가장 기본적인 완전연결 신경망
- CNN – 이미지 처리에 강한 합성곱 신경망
- RNN – 시계열 데이터 처리용 순환 신경망
- Transformer – 자연어 처리와 생성에 특화된 구조 (ex: GPT, BERT)
한계와 과제
- 설명 가능성 부족: 예측 근거에 대한 해석이 어려움 (Black-box 문제)
- 데이터 의존성: 많은 양의 라벨링된 학습 데이터가 필요함
- 과적합 위험: 작은 데이터셋에선 오히려 성능 저하 가능
- 자원 요구량: 학습에는 많은 연산 자원(GPU, TPU 등)이 필요
적용 분야
- 컴퓨터 비전: 이미지 분류, 객체 탐지, 얼굴 인식 등
- 자연어 처리: 번역, 요약, 질의응답, 챗봇 등
- 음성 처리: 음성 인식(STT), 합성(TTS)
- 자율 주행: 센서 융합, 경로 예측, 판단 제어
- 바이오/의료: 유전체 분석, 병변 검출, 진단 보조