[인공지능] 딥러닝(Deep Learning) 기술과 적용

목차

제 1 장 등장배경

제 2 장 딥러닝 개념
2.1 개념
2.2 기계학습
2.2.1 지도학습
2.2.2 비지도학습
2.2.3 강화학습
2.3 인공신경망
2.3.1 활성화 함수
2.3.2 역전파 알고리즘
2.3.3 경사감소법
2.3.4 사전학습
2.3.5 정규화
2.3.6 드롭아웃

제 3 장 합성곱 신경망(CNN : Convolution Neural Network)
3.1 전결합층
3.2 컨볼루션층
3.3 풀링층
3.4 합성곱 신경망

제 4 장 순환 신경망(RNN : Recurrent Neural Network)

제 5 장 활용사례

제 6 장 향후전망

참고문헌

본문내용

인공지능이 본격적으로 연구된 것은 퍼셉트론이 도입된 1950년대부터이다. 1958년 코넬 항공 연구소의 프랭크 로센블래트(Frank Rosenblatt)는 신경세포의 동작 특성을 모델링하여 간단한 단층 퍼셉트론 모델을 제안하였다. 퍼셉트론은 아래 그림과 같이 인간의 뉴런을 수학적으로 모방한 계산 알고리즘으로 인공신경망(Ann : Artificial Neural Networks)과 딥러닝(Deep learning)의 근간이 된다. 단층 퍼셉트론은 여러 입력 값을 받아 처리한 후 0 혹은 1을 출력하는 단순한 선형분류기이다. 이는 신경망을 실제로 구현한 최초의 모델이다. 이때부터 학계에서는 신경망으로 곧 사람 수준의 인공지능을 만들 수 있을 것이라는 가능성이 기대되면서 더욱 주목받았다.

이 모델에서 출력 층에 위치한 뉴런 유닛은 입력 층의 각 노드에서 주어지는 입력 값들을 미리 정해진 가중치와 곱한 후 곱해진 값들의 총합이 미리 정해진 임계치(보통 0)보다 크면 1을, 그렇지 않으면 0을 출력한다. 퍼셉트론 모델에서 가중치 값들을 잘 설정하면 필요한 여러 가지 기능을 수행하게 만들 수 있다. 여기에 추가적으로 여러 가지 입력 값들에 대한 실제 출력 값과 원하는 출력 값의 차이를 반영해 가중치를 조절하는 과정을 반복할 경우 모델의 동작 특성을 원하는 방향에 가깝게 변화시킬 수 있음이 밝혀졌는데 이 과정이 바로 학습이다.
퍼셉트론을 통해 AND와 OR을 선형 분리가 가능했다. 따라서 퍼셉트론을 보고 많은 사람들은 기계의 학습 가능성에 대해 큰 기대를 하게 되었다. 하지만 1969년 MIT의 Marvin Minsky교수와 그의 동료 세이무어 페퍼트(Saymour Papert)는 단층 퍼셉트론으로는 기본적 논리 연산인 XOR 연산이 불가능 하다는 것을 증명했다. 이 결과를 본 사람들은 이에 대한 흥미를 잃게 되었고1970년대에는 인공지능 연구자금이 삭감되면서 단층 퍼셉트론 연구는 이후 10여 년간 긴 침묵에 빠져들고 말았다.

참고 자료

김의중. (2016). “알고리즘으로 배우는 인공지능, 머신러닝, 딥러닝 입문.” 위키북스.
라시드타리크. (2017). “신경망 첫걸음.” 한빛미디어.
류성일. (2017년 4월 4일). 4차 산업혁명을 이끄는 인공지능-딥러닝을 중심으로. “Issue & Trend”.
박원기. (2017). 딥러닝 소개와 금융업 적용 사례. 고려대학교 정책대학원 데이터통계학과.
빅데이터닛케이. (2017). “구글에서 배우는 딥러닝.” 영진닷컴.
아이리포(iLifo). (2017년 3월 27일). 인공지능-딥러닝과 CNN/RNN.
안명호. (2016). “머신러닝을 이용한 알고리즘 트레이딩 시스템 개발.” 한빛미디어.
임채연. (2016). [인공지능 시대 살아남을 직업·기술] 피자 만드는 로봇 나와도 피자 파는 세일즈맨은 남아 . “중앙시사매거진”.
한국정보화진흥원. (2016년 8월). “[Monthly Vol.19]다양한 산업 분야에서 활용되는 딥러닝의 활용사례”.
히로마사다케이. (2016). “가장 빨리 만나는 딥러닝 with Caffe.” 길벗.