딥러닝(Deep Learning)은 머신 러닝 알고리즘을 점점 더 복잡하고 추상적인 계층 구조로 쌓는 인공 지능(AI)에 대한 반복적인 접근 방식입니다. 각 딥러닝 수준은 이전 계층 구조에서 얻은 지식으로 만들어집니다.
예를 들어, 딥 이미지 인식 알고리즘의 첫 번째 레이어는 학습 데이터의 색상 패턴을 학습하는 데 집중하고 다음 레이어는 모양에 집중할 수 있습니다. 결국 계층 구조는 색상과 모양의 다양한 조합에 집중하는 레이어가 있고, 맨 위 레이어는 실제 물체를 인식하는 데 집중합니다.
딥러닝은 현재 사용되고 있는 가장 정교한 AI 아키텍처입니다. 인기 있는 딥러닝 알고리즘은 다음과 같습니다:
컨볼루션 신경망 (CNN) – 이 알고리즘은 이미지의 여러 객체에 가중치와 편향을 할당하고 이미지의 한 객체를 다른 객체와 구별할 수 있습니다. 객체 감지 및 이미지 분류에 사용됩니다.
순환 신경망 – 알고리즘은 순차적인 데이터를 저장할 수 있습니다. 음성 인식, 음성 인식, 시계열 예측 및 자연어 처리에 사용됩니다.
LSTM(Long Short-Term Memory Network) – 알고리즘은 시퀀스 예측 문제에서 순서 의존성을 학습할 수 있습니다. 기계 번역과 언어 모델링에 사용됩니다.
GAN(Generative Adversarial Networks) – 두 알고리즘은 서로 경쟁하고 서로의 실수를 새로운 훈련 데이터로 사용합니다. 그것은 디지털 사진 재구성과 딥페이크 비디오에 사용됩니다.
Deep Believe Network – 각 계층이 두 가지 목적을 가지고 있는 비지도 딥러닝 알고리즘으로, 이전에 공개된 데이터는 은닉 계층으로 기능하고 다음 데이터는 가시 계층으로 기능합니다. 암 및 기타 질병 탐지를 위한 의료 분야에서 사용됩니다.
테크허브가 설명하는 딥러닝
딥러닝은 신경망과 의사 결정 네트워크 노드를 구축하고 훈련하는 데 사용됩니다. 딥러닝은 4차 산업 혁명 (Industry 4.0)과 Web3.0의 핵심 기술로 여겨집니다.
딥러닝은 데이터의 특징을 수동으로 식별하는 것이 아니라, 입력 예시에서 유용한 패턴을 발견하기 위해 학습 과정에 의존합니다. 따라서, 신경망은 더 쉽고 빠르게 훈련될 수 있고, 인공 지능 분야를 발전시키기 위해 더 나은 결과를 얻을 수 있습니다.
입력 데이터가 출력되기 전에 일련의 비선형 또는 비선형 변환을 거치게 되면 알고리즘은 딥 알고리즘으로 간주됩니다. 오늘날 대부분의 비즈니스 애플리케이션은 얕은 기계 학습 알고리즘을 사용합니다.
약한 인공지능이라고도 불리는 좁은 인공지능(AI)은 일상적인 호출의 계층 구조를 구성하지 않습니다. 대신, 이런 종류의 학습 알고리즘은 단일 개별 작업을 수행하도록 설계되었습니다.