딥러닝 뜻 쉽게 풀어보기(신경망, 머신러닝, 활용 예시)

딥러닝은 여러 층으로 이루어진 인공 신경망이 데이터에서 패턴을 배우는 머신러닝 방법이다. 사진 속 고양이를 찾아내는 기능을 떠올리면 감이 온다. 많은 사진을 보며 어떤 특징이 고양이를 구별하는 데 도움이 되는지 학습한다. 딥러닝 뜻을 이해하려면 이름 속 ‘깊다’가 무엇을 가리키는지부터 살펴보면 된다. 신경망의 층이 하는 일, 머신러닝과의 관계, 실제 쓰임을 차례로 알아보자.

딥러닝 뜻, 왜 ‘깊다’고 할까?

‘깊다’는 말은 인공 신경망에서 입력부터 출력까지 거치는 층이 여러 겹이라는 뜻이다. 각 층은 앞에서 받은 값을 계산해 다음 층에 넘긴다. 사진을 처리하는 신경망에서는 앞쪽 층이 밝기 차이나 윤곽에 반응하고, 뒤쪽 층이 앞에서 얻은 정보를 조합해 귀나 얼굴처럼 더 복잡한 모양을 구별하는 데 쓰일 수 있다.

 

정답이 붙은 사진으로 분류 모델을 훈련시키는 과정을 세 단계로 나눠 보자.

 

1. 사진을 숫자로 바꿔 신경망에 넣는다. 사진을 이루는 각 점의 색과 밝기가 입력값이 된다.
2. 신경망은 여러 층에서 계산을 거쳐 사진이 어느 분류에 속하는지 예측한다.
3. 예측과 정답을 비교한다. 그 차이를 줄이는 방향으로 신경망 내부의 가중치를 조정한다.

 

가중치는 다음 층으로 값을 보낼 때 각 입력을 얼마나 반영할지 정하는 숫자다. 여러 사진으로 계산과 조정을 반복하면 분류에 도움이 되는 패턴을 배울 수 있다. 학습을 마친 모델은 조정된 가중치로 처음 보는 사진을 분류한다.

머신러닝과는 어떤 관계일까?

딥러닝은 머신러닝에 속한다. 머신러닝은 데이터에서 패턴을 배워 예측이나 분류에 쓰는 방법을 폭넓게 가리킨다. 여기에 선형 회귀, 결정 트리, 딥러닝처럼 서로 다른 방법이 포함된다. 인공지능까지 범위를 넓혀 보면 ‘인공지능 → 머신러닝 → 딥러닝’ 순으로 좁아진다.

 

머신러닝에서 ‘특징’은 모델이 판단에 활용하는 정보를 말한다. 사진 분류에서는 사람이 색의 분포나 윤곽선의 방향을 계산해 모델에 입력하는 방법도 있다. 딥러닝 모델은 사진을 구성하는 숫자를 입력받아 분류에 필요한 특징을 여러 층에서 학습할 수 있다. 머신러닝과 비교하며 딥러닝 뜻을 정리할 때는 전체와 일부의 관계를 먼저 떠올리고, 그다음 특징을 여러 층에서 배운다는 점을 기억하면 쉽다.

사진 분류와 음성 인식에 어떻게 쓰일까?

사진 분류에서는 한 장의 사진이 어떤 범주에 속하는지 예측하고, 음성 인식에서는 녹음된 말소리를 글자로 바꾸는 데 딥러닝을 쓸 수 있다. 들어오는 데이터와 기대하는 결과가 다르므로 모델이 학습해야 할 단서도 달라진다.

 

사진첩에서 고양이 사진을 찾는 기능은 사진 속 모양과 질감 같은 시각적 단서를 활용할 수 있다. 모델은 훈련 중 배운 패턴을 새 사진에도 적용한다. 귀나 얼굴이 가려졌거나 사진이 흐릿하면 구별에 쓸 단서가 줄어들어 잘못 분류할 수 있다.

 

음성 인식은 시간에 따라 달라지는 말소리의 패턴을 활용한다. 녹음과 그에 대응하는 문장을 학습에 사용하면, 새로 들은 말에 어떤 글자나 단어가 대응하는지 예측할 수 있다. 주변 소음이 크거나 학습 자료에 드물었던 발음이 섞이면 받아쓰기 결과에 오류가 생길 수 있다. 두 기능 모두 학습한 데이터와 실제로 들어오는 데이터의 차이에 영향을 받는다.

마치면서

딥러닝 모델은 데이터를 여러 층에서 처리하고, 학습 과정에서 각 층의 계산에 쓰는 값을 조정한다. 딥러닝 뜻이 헷갈릴 때는 머신러닝에 속하는 방법이라는 점과 이름 속 ‘깊다’가 신경망의 여러 층을 가리킨다는 점을 함께 떠올리면 된다. 사진 분류와 음성 인식의 입력은 서로 다르지만, 데이터에서 배운 패턴을 새로운 입력에 적용한다는 원리는 같다.

 

[안내드립니다] 이 글은 딥러닝의 기본 개념을 설명하기 위한 글입니다. 학습 방식과 실제 결과는 모델과 데이터에 따라 달라집니다.