Article 5. 딥러닝 분석 3225

Section 2. 고급 분석기법

Paragraph 1. 딥러닝

Subparagraph 1. 딥러닝(Deep Learning) 개념

여러 비선형 변환 기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계 학습 알고리즘의 집합이다.

Subparagraph 2. 딥러닝 부각 이유

• 기존 인공신경망 모델의 문제점인 기울기 소실이 해결되었다.
• 강력한 GPU를 연산에 활용하여 하드웨어 연산속도를 높여 분석시간을 단축하였다.
• 빅데이터의 등장과 SNS의 활용이 증가하여 학습에 필요한 데이터 확보가 가능해졌다.

Paragraph 2. 딥러닝 알고리즘

딥러닝 알고리즘에는 DNN, CNN, RNN, GAN 등 다양한 알고리즘이 존재한다.

Subparagraph 1. DNN 알고리즘

Clause 1. DNN(Depp Neural Network) 알고리즘 개념

은닉층(Hidden Layer)을 심층(Deep) 구성한 신경망(Neural Network)으로 학습하는 알고리즘이다.

Clause 2. DNN 알고리즘 구조

• DNN 알고리즘은 입력층, 다수의 은닉층, 출력층으로 구성되어 있다.
• 입력층에서 가중치가 곱해져 은닉층으로 이동시키고, 은닉층에서도 가중치가 곱해지면서 다음 계층으로 이동한다.
• 역전파 알고리즘은 출력층➡은닉층➡입력층으로 반복적으로 수행되며 최적화된 결과 도출을 한다.

Subparagraph 2. CNN 알고리즘

Clause 1. CNN(Convolution Neural Network) 알고리즘의 개념

시각적 이미지를 분석하는 데 사용되는 심층신경망으로 합성곱 신경망이라고도 한다.

Clause 2. CNN 알고리즘의 구조

• 기존 영상처리의 필터 기능(Convolution)과 신경망(Neural Network)을 결합하여 성능을 발휘하도록 만든 구조이다.
• 필터 기능을 이용하여 입력 이미지로부터 특징을 추출한 뒤 신경망에서 분류작업을 수행한다.

Subparagraph 3. RNN 알고리즘

Clause 1. RNN(Recurrent Neural Network) 알고리즘의 개념

• 입력층, 은닉층, 출력층으로 구성되며 은닉층에서 재귀적인 신경망을 갖는 알고리즘이다.
• 음성신호, 연속적 시계열 데이터 분석에 적합하다.
• 장기 의존성 문제와 기울기 소실문제가 발생하여 학습이 이루어지지 않을 수 있다.

Clause 2. RNN 알고리즘의 구조

• 입력층에서 전달받은 순차적인 데이터를 은닉층으로 전달하며 재귀적 구조이다.
• 확률적 경사 하강법, 시간 기반 오차 역전파를 사용해서 가중치를 업데이트한다.