1. 딥러닝(Deep Learning)

인공지능(AI)의 한 분야인 머신러닝(Machine Learning)의 하위 개념으로,

인간의 뇌를 모방한 인공 신경망(Artificial Neural Network, ANN)을 기반으로 합니다.

여러 층(layer)으로 구성된 심층 신경망(Deep Neural Network, DNN)을 사용하여 복잡한 데이터의 특징을 스스로 학습하고 추출하는 기술입니다.

1) 인공 신경망 (ANN): 인간 뇌의 뉴런 구조를 본떠 만든 모델입니다.

    입력층, 은닉층(Hidden Layer), 출력층으로 구성되며, 각 뉴런(노드)은 신호를 받아 처리하고 다음 뉴런으로 전달합니다.
2) 심층 신경망 (DNN): 은닉층이 여러 개(깊게) 쌓여 있는 인공 신경망을 의미합니다.

    층이 깊어질수록 데이터의 더욱 추상적이고 복잡한 패턴을 학습할 수 있습니다.
3) 특징 학습 (Feature Learning): 전통적인 머신러닝은 사람이 직접 데이터의 특징(Feature)을 추출하고 설계해야 했지만,

    딥러닝은 심층 신경망을 통해 데이터의 특징을 스스로 학습하고 추출합니다.

    이 과정에서 파라미터(가중치, 편향)가 조정되며, 활성화 함수를 통해 비선형적인 변환이 이루어집니다.

2. 딥러닝 모델

1) 다층 퍼셉트론 (MLP; Multi Layer Perceptron): 가장 기본적인 딥러닝 모델로, 모든 유닛이 연결되어 파라미터 수가 많습니다.

    분류, 회귀 분석, 자연어 처리 등 대부분의 경우에 사용될 수 있습니다.
2) 합성곱 신경망 (CNN; Convolutional Neural Network): 이미지 처리에 특화된 모델로,

    커널(필터)을 사용하여 파라미터 수와 계산량을 줄입니다. 대부분의 이미지 인식 및 분류 작업에 사용됩니다.
3) 순환 신경망 (RNN; Recurrent Neural Network): 시퀀스(sequence) 데이터(예: 텍스트, 음성) 처리에 적합한 모델입니다.

   자연어 처리에 많이 사용되며, LSTM(Long-Short Term Memory)과 같은 개량된 모델이 주로 활용됩니다.
4) 트랜스포머(Transformer): RNN의 한계를 극복하며 특히 자연어 처리 분야에서 혁신적인 성과를 가져온 모델입니다.

    어텐션(Attention) 메커니즘을 사용하여 문장 내 단어들의 관계를 더 잘 파악할 수 있습니다. (ChatGPT와 같은 대규모 언어 모델(LLM)의 기반 기술)