🌟 현대 인공지능 학습 2단계: 인공신경망과 딥러닝

🌟 현대 인공지능 학습 2단계: 인공신경망과 딥러닝

📅 학습 기간: 7~9개월

🎯 학습 목표: 신경망 모델의 이해와 딥러닝 기법 학습

---

📝 1. 인공신경망(ANN) 기초

인공신경망(Artificial Neural Network)은 인간의 뇌 구조를 모방하여 만든 알고리즘입니다.
뉴런(Neuron)을 기반으로 여러 층(Layer)을 거쳐 학습합니다.
딥러닝은 이러한 신경망 구조를 심화하여 다층 신경망을 사용하는 기술입니다.

---

📌 1-1. 신경망의 기본 구성 요소

신경망은 입력층(Input Layer), 은닉층(Hidden Layer), **출력층(Output Layer)**으로 구성됩니다.

• 입력층: 데이터를 입력받는 층
• 은닉층: 입력 데이터를 가공하여 특징을 추출하는 층
• 출력층: 최종 예측 결과를 출력하는 층

🔑 1) 퍼셉트론(Perceptron)

퍼셉트론은 가장 기본적인 신경망 단위입니다.

• 입력값 xx와 가중치 ww를 곱하여 합산 후, 활성화 함수를 통해 출력을 생성합니다.

y=f(∑wixi+b)y = f(\sum w_i x_i + b)

여기서 bb는 바이어스로, 모델의 출력을 조정하는 데 사용됩니다.

---

💻 코드 실습: 단일 퍼셉트론 구현

import numpy as np

# 활성화 함수 (계단 함수)
def step_function(x):
    return np.where(x > 0, 1, 0)

# 입력값과 가중치
x = np.array([1, 2])
w = np.array([0.5, -0.2])
b = -0.1

# 퍼셉트론 연산
output = step_function(np.dot(x, w) + b)
print(f"퍼셉트론 출력: {output}")

---

🔑 2) 활성화 함수 (Activation Function)

활성화 함수는 입력 신호를 비선형 변환하여 다음 층으로 전달합니다.

함수 이름 수식 특징

ReLU	f(x)=max⁡(0,x)f(x) = \max(0, x)	음수를 0으로 변환
Sigmoid	f(x)=11+e−xf(x) = \frac{1}{1 + e^{-x}}	0과 1 사이로 압축
Tanh	f(x)=ex−e−xex+e−xf(x) = \frac{e^x - e^{-x}}{e^x + e^{-x}}	-1과 1 사이로 압축
Softmax	exi∑exj\frac{e^{x_i}}{\sum e^{x_j}}	확률로 변환 (분류)

---

💻 코드 실습: 활성화 함수 구현

def relu(x):
    return np.maximum(0, x)

def sigmoid(x):
    return 1 / (1 + np.exp(-x))

def softmax(x):
    exp_x = np.exp(x - np.max(x))
    return exp_x / np.sum(exp_x)

# 예제
x = np.array([1.0, -1.0, 0.5])
print(f"ReLU: {relu(x)}")
print(f"Sigmoid: {sigmoid(x)}")
print(f"Softmax: {softmax(x)}")

---

🧠 2. 딥러닝 모델 학습: PyTorch 사용하기

반응형

딥러닝 프레임워크 중 PyTorch는 직관적이고 유연하여 연구와 개발에 많이 사용됩니다.

---

📌 2-1. PyTorch 기본 구조

1. 데이터 준비: 데이터셋 로딩 및 전처리
2. 모델 정의: 신경망 아키텍처 구축
3. 손실 함수: 오차를 계산하는 함수
4. 옵티마이저: 경사하강법을 사용하여 가중치 업데이트
5. 훈련 및 평가: 학습 데이터를 통해 모델을 학습하고 테스트

---

💻 코드 실습: 기본 신경망 구현

import torch
import torch.nn as nn
import torch.optim as optim

# 데이터 준비
X = torch.tensor([[1.0], [2.0], [3.0], [4.0]])
y = torch.tensor([[2.0], [4.0], [6.0], [8.0]])

# 모델 정의
model = nn.Sequential(
    nn.Linear(1, 1)  # 입력 1개, 출력 1개
)

# 손실 함수와 옵티마이저
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 학습
for epoch in range(100):
    model.train()
    optimizer.zero_grad()
    outputs = model(X)
    loss = criterion(outputs, y)
    loss.backward()
    optimizer.step()

    if (epoch+1) % 20 == 0:
        print(f"Epoch [{epoch+1}/100], Loss: {loss.item():.4f}")

# 예측
with torch.no_grad():
    pred = model(torch.tensor([[5.0]]))
    print(f"예측값: {pred.item()}")

---

🌉 3. 합성곱 신경망(CNN)

CNN은 이미지 데이터를 처리하는 데 특화된 신경망입니다.

• 합성곱 레이어(Convolution Layer): 특징 맵 추출
• 풀링 레이어(Pooling Layer): 특징 맵 크기 축소
• 완전 연결 레이어(Fully Connected Layer): 분류 결과 도출

---

💻 코드 실습: CNN 구현

import torch.nn.functional as F

class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3)
        self.fc1 = nn.Linear(32*26*26, 10)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = x.view(-1, 32*26*26)
        x = self.fc1(x)
        return F.log_softmax(x, dim=1)

model = SimpleCNN()
print(model)

---

📝 학습 체크리스트:

• 인공신경망의 기본 구조를 이해하고 구현할 수 있다.
• 활성화 함수의 종류와 특성을 구분할 수 있다.
• PyTorch를 사용하여 간단한 신경망을 학습할 수 있다.
• CNN의 기본 구조와 활용 사례를 이해한다.

---

💡 실습 프로젝트: 이미지 분류 모델 만들기 (MNIST 데이터셋)

1. 목표: 손글씨 숫자 인식
2. 데이터셋: MNIST (0~9 숫자 이미지)
3. 모델: CNN

코드:

from torchvision import datasets, transforms
from torch.utils.data import DataLoader

# 데이터셋 로드
transform = transforms.Compose([transforms.ToTensor()])
train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)

# 학습 루프
for epoch in range(5):
    for images, labels in train_loader:
        output = model(images)
        loss = criterion(output, labels)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

    print(f"Epoch [{epoch+1}/5], Loss: {loss.item():.4f}")

---

인공신경망, 딥러닝, PyTorch, CNN, 활성화 함수, 머신러닝, 이미지 분류, 신경망 구현, 경사하강법, 손실 함수, 옵티마이저