인공지능(AI) 딥러닝과 알고리즘( CNN, RNN, LSTM)에 대해 알아보자

Deep Learning이란?

• 딥러닝(Deep Learning)이란 여러 층을 가진 인공신경망(Artificial Neural Network, ANN)을 사용하여 머신러닝 학습을 수행하는 것으로 심층학습이라고도 부른다. 따라서 딥러닝은 머신러닝과 전혀 다른 개념이 아니라 머신러닝의 한 종류라고 할 수 있다.
• 기존의 머신러닝에서는 학습하려는 데이터의 여러 특징 중에서 어떤 특징을 추출할지를 사람이 직접 분석하고 판단해야만 했지만 딥러닝에서는 기계가 자동으로 학습하려는 데이터에서 특징을 추출하여 학습하게 된다. 이처럼 딥러닝과 머신러닝의 가장 큰 차이점은 바로 기계의 자가 학습 여부로 볼 수 있습니다.

머신러닝에 대해서 잘 모른다면 아래 사이트를 참고하면 좋을 것 같다.

 

머신 러닝에 대해서 알아보자

 

딥러닝 layer

 

딥러닝에도 수많은 알고리즘들이 있다. 그중에서 3가지만 다뤄보려고 한다.

1. CNN (합성곱 신경망)

2. RNN (순환 신경망)

3. LSTM (장단기 기억 네트워크)

3가지에 대해서 알아보겠다. 다른 알고리즘들은 차차 써 볼 생각이다.

 

 

1. CNN (합성곱 신경망)

• 이미지와 비디오는 신경망의 한 형태인 컨볼루션 신경망을 사용하여 처리된다.
• 입력 데이터에서 중요한 특성을 추출하기 위해 일련의 학습 가능한 필터 또는 커널을 사용하여 작동한다.
• 필터는 입력 사진 위로 미끄러지듯 지나가며 컨볼루션을 실행하여 이미지의 필수 측면을 캡처하는 기능 맵을 구축 한다.
• CNN은 그림 특성의 계층적 표현을 학습할 수 있으므로 막대한 양의 시각적 데이터가 관련된 상황에 특히 유용합니다. 객체 감지, 사진 분류 및 얼굴 감지와 같은 여러 응용 프로그램에서 사용
• convNets라고도 알려진 CNN은 다중 레이어로 구성

CNN

 

 

2. RNN (순환 신경망)

• RNN은 일반적으로 이미지 캡션, 시계열 분석, 자연 언어 처리, 필기 인식 및 기계 번역에 사용된다.
• 이전의 입력에 대한 정보를 기억할 수 있다.
• RNN은 내부 상태를 유지하면서 순차적인 데이터를 처리할 수 있는 일종의 신경망이다.
• RNN은 피드백 루프를 사용하여 각 타임 스텝의 출력을 다음 타임 스텝의 입력으로 다시 연결하는 방식으로 작동하는데 이를 통해 네트워크는 이전 시간 단계 정보를 활용하여 미래 시간 단계에 대한 예측을 알릴 수 있다. 불행하게도 이는 RNN이 훈련에 사용되는 기울기가 매우 작아지고 네트워크가 장기적인 관계를 학습하는 데 어려움을 겪는 기울기 소멸 문제에 취약하다는 것을 의미한다.
• 구글 번역 예를 들어 RNN 기반 시스템을 사용하여 여러 언어를 번역하는 반면 가상 비서인 Siri는 RNN 기반 시스템을 사용하여 음성을 감지한다. RNN은 또한 주가를 예측하고 사실적인 텍스트와 그래픽을 생성하는 데 사용되었다.

 

RNN

 

 

3. LSTM (장단기 기억 네트워크)

• 시계열 예측 외에도 음성 인식, 음악 작곡, 제약 개발 등에 주로 사용된다.
• LSTM(장단기 기억) 신경망은 일종의 RNN(순환 신경망)입니다. LSTM은 데이터 시간 스텝 사이의 장기적인 의존성을 훈련할 수 있으므로 순차 데이터를 학습, 처리, 분류하는 데 주로 사용됩니다.
• LSTM은 평가하거나 예측해야 하는 순차적 데이터가 있는 모든 경우에 매우 유용합니다. 음성 인식 소프트웨어에서 음성 단어를 텍스트로 변환하는 데 자주 사용됩니다. 증권 시장 이전 데이터를 기반으로 미래 가격을 예측하는 분석.

 

LSTM

 

 

3가지만 알아보았는데 GAN, RBFN, SOM, VAE, MLP 등등 많은 알고리즘이 있는데 가장 많이 쓰이는 것들만 소개해보았다. 다음에 더 많은 알고리즘에 대해서 써보도록 하겠다.