인공지능 딥러닝 개론 - 딥러닝이란 무엇인가

강의 상세 자료

강의 개요

“딥러닝이 도대체 무엇인지” 한 번에 감을 잡고 싶은 분들을 위한 입문 강의입니다.
수식보다는 그림·비유·인터랙티브 데모로 시작해서,
마지막에는 MNIST 숫자 분류 모델을 직접 따라가며 트레이닝-테스트-예측까지의 흐름을 체험합니다.

강의 흐름

핵심 질문

이 강의는 다음 질문에 답하는 것을 목표로 합니다.

• 알고리즘과 머신러닝, 딥러닝의 차이는 무엇인가요?
• 28×28 흑백 이미지 한 장을 분류하는 데 왜 무한대에 가까운 경우의 수가 필요한가요?
• “가중치(weight) w를 학습한다"는 말은 정확히 무슨 뜻인가요?
• 활성화 함수는 왜 필요하고, softmax는 어떻게 확률을 만드나요?
• 배치(batch)·스텝(step)·에포크(epoch)는 어떤 관계인가요?
• 트레이닝(training)·검증(validation)·테스트(test)·예측(predict)은 어떻게 다른가요?
• 같은 데이터·같은 모델인데 왜 학습할 때마다 결과가 달라지나요?
• 오버피팅은 무엇이고, 왜 딥러닝은 100%가 안 되나요?
• “Sonnet 4” 같은 모델은 어떤 과정을 거쳐 최종 선택되나요?

학습 목표

• 알고리즘 → 머신러닝 → 딥러닝으로 이어지는 발전 흐름을 직관적으로 이해합니다
• 입력층·은닉층·출력층으로 이루어진 신경망의 기본 구조를 파악합니다
• 가중치(weight), 편향(bias), 활성화 함수(ReLU, Softmax)의 역할을 이해합니다
• 손실 함수(Loss Function), 옵티마이저(Optimizer), 학습률(Learning rate), 에포크(epoch) 개념을 익힙니다
• 데이터 3분할(트레이닝/검증/테스트)과 오버피팅의 개념을 이해합니다
• 모델 구조·데이터셋·트레이닝 조합을 비교해 최종 모델을 선택하는 과정을 이해합니다
• MNIST 예제로 전체 딥러닝 파이프라인(입출력 정의 → 데이터 → 모델 → 트레이닝 → 테스트 → 예측)을 체험합니다

수강 대상 · 선수 지식

시연 환경

강의 구성

Part 1 — 알고리즘과 함수

• 함수: 입력을 받아 출력을 내보내는 처리 단위 (입력 2 → 함수 → 초록색)
• 알고리즘: 사람이 어떤 문제의 풀이 방법을 고민해 컴퓨터 프로그램으로 만드는 것
• 간단한 if/else 알고리즘 예시 — input < 4 면 green, 그렇지 않으면 blue
• 핵심: 사람이 직접 풀이 방법을 만든다 — 입력이 단순할 때 잘 동작합니다

Part 2 — 머신러닝과 딥러닝

• AI ⊃ Machine Learning ⊃ Deep Learning 의 포함 관계
• 머신러닝: 사람이 풀이 방법을 만드는 대신, 기계가 학습해서 컴퓨터 프로그램을 만듭니다
• 왜 필요할까? 입력이 복잡해지고(이미지), 입력에 따라 알고리즘이 계속 변해야 하는 상황 때문입니다
• 28×28 흑백 이미지의 경우의 수: 256^784 ≈ ∞ — 모든 경우에 대응하는 알고리즘은 사실상 불가능합니다
• 핵심: 무한대 변수가 필요한 문제를 유한한 w개의 가중치로 근사해서 풉니다.
  • 실제 자연 이미지는 그 거대한 공간 안의 극히 일부에만 존재하기 때문에, 유한한 가중치로도 충분히 근사가 가능합니다

Part 3 — 신경망 구조

• 입력층 → 은닉층 → 출력층으로 이어지는 신경망의 기본 구조
• 가중치(weight): 노드 사이의 연결 강도. 편향(bias): 노드 출력을 평행이동시키는 값
• 활성화 함수: 곱하고 더한 결과에 비선형 함수를 통과시켜, 층을 쌓는 의미를 만들어줍니다
  • 은닉층: ReLU (음수는 0, 양수는 그대로)
  • 출력층: Softmax (여러 출력값을 합이 1이 되는 확률 분포로 변환)
• 활성화 함수가 없으면(선형만 합성하면) 아무리 층을 쌓아도 하나의 선형 변환과 같습니다
• Deep Learning = 은닉층을 여러 층 깊게 쌓은 신경망. 앞쪽 층은 단순한 특징(선·곡선), 뒤쪽 층은 추상적 특징(숫자의 형태 등)을 잡습니다

Part 4 — 트레이닝의 비유

가중치를 학습시키는 과정을 두 가지 비유로 풀어봅니다.

• 하루에 100번 농구공 던지기: 매일 시도하면서 점점 골대에 가까워집니다.
  • “얼마나 더 세게"가 미분,
  • “한 번에 얼마나 바꿀지"가 학습률(learning rate),
  • 바람이 불어서 같은 힘이어도 결과가 달라지는 것이 미니배치 노이즈입니다
• 눈 가리고 걸어가기: 지시자가 수행자에게 방향과 거리를 알려줍니다.
  • 거리를 계산하는 것이 Loss Function,
  • 방향과 보폭을 결정하는 것이 옵티마이저,
  • 보폭 크기가 학습률입니다.
  • 지시자의 안내에는 잡음이 섞여 있어서 직선으로 가지 못합니다
• 경사 하강법(Gradient Descent):
  • 손실 함수의 기울기 방향과 반대로 가중치를 조금씩 움직여 최저점에 도달합니다.
  • 학습률이 너무 작으면 느리고, 너무 크면 발산합니다

Part 5 — 트레이닝 · 검증 · 테스트 · 예측

• 데이터 3분할: 트레이닝(학습용) / 검증(학습 중 모니터링) / 테스트(최종 평가).
  • 학습에 쓴 데이터로 평가하면 진짜 실력을 알 수 없습니다
• Softmax: 모델이 내놓은 점수(logit)를 합이 1이 되는 확률 분포로 변환.
  • 작은 점수 차이가 지수 함수로 크게 증폭됩니다
• 배치(batch): 가중치를 한 번 업데이트할 때 사용하는 데이터 묶음 (보통 32개)
• 스텝(step): 한 배치를 처리하는 1회 업데이트.
  • 60,000개를 batch=32로 → 1 epoch당 1,875 step
• 에포크(epoch): 전체 데이터를 한 번 다 훑은 단위.
  • 에포크를 반복할수록 가중치가 정교해집니다
• 테스트: 학습 때 보지 않은 데이터로 모델의 일반화 성능 측정
• 예측(Inference): 학습이 끝난 모델로 새로운 데이터의 답을 추론

Part 6 — 딥러닝은 모든 것을 해결할까?

• 오버피팅: 트레이닝 데이터에 과도하게 맞춰진 나머지, 처음 보는 데이터에서는 성능이 떨어지는 현상.
  • 에포크를 늘렸더니 오히려 정확도가 떨어졌다면 오버피팅의 신호입니다
• 트레이닝 데이터에 의한 편향: 학습 데이터의 분포가 곧 모델이 만들 수 있는 결과의 분포입니다.
  • PULSE 모델이 오바마 사진을 백인으로 복원한 사례
• 모델 구조에 의한 차이: 같은 문제도 모델 구조에 따라 결과 차이가 큽니다 (Bicubic vs SRCNN 예시)
• 랜덤 초기값에 의한 차이: 같은 모델을 같은 데이터로 학습해도 결과가 매번 달라집니다 — 가중치 초기값이 랜덤이기 때문
• 100%가 안 되는 이유: 데이터 자체의 노이즈, 트레이닝/테스트 분포 차이, 오버피팅 vs 일반화의 trade-off

Part 7 — 모델은 어떻게 선택되는가

• 실제로 “Sonnet 4"처럼 하나의 이름으로 발표되는 모델 뒤에는 수많은 조합 실험이 숨어 있습니다
• 모델 구조 변형: 내부적으로 mark_1, mark_2, mark_3 등 구조가 다른 여러 버전을 만듭니다
• 데이터셋 변형: 수집 범위·정제 방식이 다른 데이터셋을 준비합니다
• 반복 트레이닝: 같은 조합이라도 랜덤 초기값 때문에 매번 결과가 다르므로 여러 번 트레이닝합니다
• 테스트·선택: 별도의 테스트 데이터셋으로 평균 점수를 비교해 가장 좋은 조합이 최종 모델로 발표됩니다
• 실제로는 하이퍼파라미터(학습률, 배치 크기, 에포크 수 등)까지 조합하므로 경우의 수는 훨씬 많습니다

Part 8 — MNIST 실습 흐름

전체 딥러닝 과정을 6단계로 구분해 따라갑니다.

• 입출력 정의: 입력 28×28 이미지 → 출력 10개 클래스 확률. Loss는 SparseCategoricalCrossentropy
• 데이터: MNIST 60,000장(트레이닝) + 10,000장(테스트). 정수 라벨 ↔ Sparse, 원-핫 ↔ Categorical 짝을 맞춤
• 모델 예제 1: Input → Flatten → Dense(10, softmax) — 가중치 7,850개, 정확도 ~91%
• 모델 예제 2: Conv2D → MaxPool2D → Conv2D → MaxPool2D → Flatten → Dense — 정확도 향상
• 트레이닝: 입력 정규화(/255.0) → forward → loss → backward → update 반복. validation_split으로 검증
• 테스트: 같은 전처리 적용 후 evaluate. 여러 모델/에포크 조합을 비교
• 예측: model.predict() → np.argmax()로 가장 높은 확률의 클래스를 답으로 선택

강의 방식

• 형태: 오프라인/온라인 (1시간 30분)
• 수식 최소화: 그림과 비유 위주로 설명, 필요한 계산은 단계별로 풀이
• 인터랙티브 데모:
  • 활성화 함수 시각화, 뉴런 계산기, 농구 슛 트레이닝, 눈 가리고 걸어가기,
    경사 하강법, Softmax 시각화, 에포크 시각화, 오버피팅 곡선, 트레이닝 시뮬레이터,
    모델 선택 과정 시뮬레이터, MNIST 픽셀 탐색기
    등 11종의 인터랙티브 데모 제공
• 실습 코드 공유: TensorFlow/Keras 기반 MNIST 예제 코드 제공
• 질의응답: 강의 중 자유 질문 환영, 마지막 10분 별도 Q&A

핵심 메시지 요약

문의

강의 일정 및 비용 문의는 이메일로 연락 주세요.