딥러닝 기본 용어 설명

딥러닝이라 불리우는 학문은 여러가지 분야들로 이루어져 있다.

​

좋은 deep learner가 되기 위해선?

• 구현 스킬이 중요
• 수학적인 능력 중요 - 특히, 선형 대수와 확률통계
• 현재 연구 트렌드에 대한 앎 (Knowing a lot of recent Papers)

​

인공지능이란?

- 사람의 지능을 "모방"

​

머신러닝이란?

- 인공지능안에 포함되는 영역으로, 데이터를 통해 학습하는 것을 의미

​

딥러닝이란?

- 머신러닝안에 포함되는 영역으로, neural network를 사용하는 세부적인 분야

위 설명에 대한 그림

​

딥러닝의 key Components

1. Data
2. Model (Input을 받아 Output을 도출해내는)
3. Loss function (Model을 학습시키기 위한 함수)
4. algorithm (Loss를 최소화하기 위한!)

​

위 4가지 항목에 비추어 논문,연구 등을 바라보면 기존에 비해 어떤 장점이 있고, 어떤 특성을 가지는지 파악하기 용이하다.

​

Data

• depend on the type of the problem to solve!

(풀고자 하는 문제에 의존적)

​

Model

• Input data를 가공하여 원하는 Output으로 도출해주는 것
• 모델에 따라 동일한 Input이어도 Output이 달라질 수 있다.
• Resnet, GoogleNet, Alexnet, Gan... 등등이 존재한다.

​

Loss

• 모델과 데이터가 정해져있을 때, 모델을 어떻게 학습할 지를 정함

※ Loss function은 우리가 이루고자 하는 것의 proxy (근사치)에 불과함

why ?? 일반적으로 여러 문제를 풀고자 했을 때 단순히 Loss의 값이 줄어드는 것이 목표일 수 있지만, Loss가 줄어든다고 해서 우리가 원하는 결과가 항상 도출되는 것은 아님!

​

Algorithm (최적화 알고리즘)

• data와 model, loss function이 정해져있을 때 network를 어떻게 줄일 지에 대한 방법
• Drop out 등과 같은 테크닉을 이용하여, 단순 Loss가 줄어드는 것이 아닌 학습하지 않은 데이터에 대해서도 올바른 결과가 나오길 유도!