딥러닝이란?" 인공신경망(ANN) & 심층신경망(DNN) 구조, 5분 만에 핵심 파악!

딥러닝, 인공신경망, 심층신경망 쉽게 알아보기!

이번 시간에는 딥러닝이 뭔지, 그리고 인공신경망(ANN)이랑 심층신경망(DNN)이 어떻게 다른지 쉽게 알아볼 거야. 강의 끝나면 "딥러닝이 왜 딥(deep)인지", "ANN이랑 DNN이 뭐가 다른지" 딱 설명할 수 있게 될 거야!

딥러닝, 한마디로 뭐게?

딥러닝은 여러 층으로 이루어진 인공신경망으로 데이터에서 스스로 패턴을 배우는 방법이야. 여기서 제일 중요한 건 "여러 층"이라는 거야.

예전에는 사람이 "이게 중요해!" 하고 규칙을 딱 정해줬다면, 딥러닝은 데이터를 엄청 많이 주고 모델이 알아서 중요한 걸 찾아내게 하는 거지. 이게 딥러닝이랑 머신러닝의 가장 큰 차이야!

정리하면:

• 머신러닝: 사람이 특징을 어느 정도 정해주고, 층이 얕은 모델을 써.
• 딥러닝: 모델이 특징을 자동으로 배우고, 층이 깊은 모델을 써. 데이터가 많을수록 딥러닝이 훨씬 강력해!

인공신경망 (ANN)

ANN은 사람의 뇌 신경 세포인 뉴런을 흉내 낸 계산 모델이야. 구조는 항상 똑같아.

• 입력층: 데이터를 그대로 받아들이는 곳 (예: 나이, 키, 몸무게)
• 은닉층: 실제로 학습이 일어나는 곳. 사람이 직접 볼 수 없는 내부 계산 영역이야.
• 출력층: 최종 예측 결과가 나오는 곳 (예: 합격/불합격, 예측 숫자)

간단한 ANN 코드 예시:

# (코드 설명)
# 입력값 3개를 받아서 뉴런 4개가 있는 은닉층 하나를 만들고,
# 그 다음 줄은 최종 출력을 의미해.
# 은닉층이 딱 하나! 이게 기본적인 ANN 모델이야.

model.summary()를 보면 층 개수랑 구조가 한눈에 보여. 이렇게 단순한 구조가 ANN의 특징이지.

심층신경망 (DNN)

DNN은 아주 간단해. 은닉층이 여러 개 쌓여 있는 인공신경망을 말해. 여기서 '딥(deep)'은 '깊다', 즉 '층이 많다'는 뜻이야.

은닉층이 많아질수록 모델은 더 복잡하고 추상적인 패턴을 배울 수 있어.

ANN vs DNN 정리:

• ANN: 은닉층 1개, 구조 단순, 비교적 쉬운 문제에 적합.
• DNN: 은닉층 2개 이상, 표현력 강함, 이미지/음성/자연어 처리에 필수적.

간단한 DNN 코드 예시:

# (코드 설명)
# 이번엔 은닉층이 여러 개 쌓여있는 DNN 모델이야.
# 코드를 보면 은닉층이 총 3개! 이렇게 층이 여러 개 쌓이면 DNN이라고 부를 수 있어.
# ANN 모델보다 훨씬 깊은 구조라는 걸 알 수 있지.

왜 은닉층이 많으면 좋을까?

얼굴 인식을 예로 들어볼게.

1. 첫 번째 은닉층: 선이나 모서리 같은 아주 단순한 특징을 배워.
2. 두 번째 은닉층: 눈, 코, 입 같은 좀 더 복잡한 특징을 배워.
3. 세 번째 은닉층: 얼굴 전체라는 개념을 학습할 수 있게 돼.

이렇게 단순한 것부터 점점 복잡한 개념으로 올라가는 학습이 가능하다는 게 딥러닝의 장점이야!

마무리 정리!

• 딥러닝: 여러 층의 신경망으로 데이터를 학습하는 방법.
• ANN: 은닉층이 1개인 신경망.
• DNN: 은닉층이 여러 개인 깊은 신경망. '딥'은 층이 많다는 뜻!

실제로 딥러닝 프로젝트에서는 거의 대부분 DNN 구조를 사용하게 돼.

다음 시간에는 뉴런, 가중치, 편향이 실제로 어떻게 계산되는지 알아볼 거야. 고생했어!