Chapter.4 데이터 분석 심화(9)

TIL(Today I Learned)

---

1️⃣머신러닝 심화 - 딥러닝

1. 퍼셉트론(Perceptron)에서 심층 신경망으로

딥러닝의 최소 단위인 퍼셉트론이 층(Layer)을 이루어 쌓인 것

• 구조적 진화: 단일 층으로는 해결할 수 없던 복잡한 데이터 패턴을 **은닉층(Hidden Layers)**을 여러 층 쌓음으로써 해결 가능
• 특징 학습(Feature Learning): 과거에는 사람이 직접 특징을 정의했으나, 딥러닝은 데이터로부터 모델이 스스로 유의미한 특징을 추출

2. 딥러닝의 3대 핵심 구성 요소

학습을 가능하게 만드는 내부 메커니즘

1. 가중치와 편향 (Weights & Bias): 입력 데이터의 중요도를 결정하는 변수. 학습이란 최적의 가중치 값을 찾아내는 과정
2. 활성화 함수 (Activation Function): 입력받은 신호를 다음 층으로 보낼지 결정. (예: ReLU, Sigmoid) 비선형성을 부여하여 모델이 복잡한 관계를 배울 수 있게 한다.
3. 손실 함수 (Loss Function): 모델의 예측이 정답과 얼마나 차이 나는지 숫자로 정량화. (예: MSE, Cross-Entropy)

3. 지능이 형성되는 과정 (Learning Cycle)

1. 순전파 (Forward Propagation): 데이터를 입력층에서 출력층 방향으로 흘려보내 결과를 예측
2. 오차 계산: 예측값과 정답 사이의 손실(Loss)을 계산
3. 역전파 (Backpropagation): 출력층에서 입력층 방향으로 오차를 거꾸로 전파하며, 각 층의 가중치가 오차에 얼마나 기여했는지 계산
4. 경사하강법 (Gradient Descent): 오차를 줄이는 방향으로 가중치를 아주 조금씩 업데이트. 이 과정을 수만 번 반복하며 최적화

4. Deep Learning: 기초 기법과 실전 사례

 MNIST: 딥러닝의 표준 벤치마크

• 개요: 0부터 9까지의 손글씨 숫자 이미지(28x28 픽셀) 7만 장으로 구성된 데이터셋
• 의의: 새로운 딥러닝 알고리즘의 성능을 검증하는 가장 기본적인 통과 의례
• 작동: 각 픽셀의 밝기 값을 입력 데이터로 받아, 신경망이 이를 학습하여 숫자의 형태(패턴)를 판별

핵심 기법: CNN (합성곱 신경망)

이미지 데이터를 처리할 때 가장 강력한 기법

• 특징 추출 (Convolution): 필터(Filter)를 사용하여 이미지의 선, 면, 형상 등 국소적인 특징을 자동으로 식별
• 차원 축소 (Pooling): 중요한 정보만 남기고 데이터의 크기를 줄여 효율성 증가
• 분류 (Classification): 추출된 특징들을 바탕으로 최종적으로 이 이미지가 어떤 숫자인지 확률로 계산

---

2️⃣머신러닝 개인과제 

통계 & 머신러닝 개인 과제_오병준.ipynb - Colab

---

💡 느낀점

딥러닝 내부에서 수많은 가중치가 어떻게 변하는지 완벽히 알 순 없지만, 데이터 전처리를 통해 입력값을 정제하는 것이 모델의 해석 가능성을 높이는 길이 됨을 깨달았다. 학습 데이터(CAERS)에 특정 연령대나 산업군이 편향되어 있다면, 딥러닝 모델도 편향된 결과를 내놓게 된다. 데이터의 다양성 확보가 알고리즘보다 중요하다는 것을 배웠다.