미지의 일을 예측하는 원리
2장에서는 미지의 일을 예측하는 원리에 대해 배웁니다. 예를 들어, 기존 환자의 데이터로 새로운 환자의 수술 결과를 예측하는 프로그램을 짤 때, 예전의 우리는 데이터를 입력해서 답을 구하는 데 초점이 맞추어 있었다면, 머신러닝은 데이터 안에서 규칙을 발견하는 데 초점이 맞추어 있습니다. 여기서 데이터가 입력되고 규칙을 찾는 과정을 학습(training)이라고 합니다. 머신러닝의 성공률은 얼마나 정확한 경계선을 긋느냐에 달려있는데, 더더욱 정확해지기 위해서 여러가지 노력을 해왔고, 그 결과 퍼셉트론(perceptron), 아달라인(adaline), 선형 회귀(linear regression)등을 지나 딥러닝이 탄생합니다.
머신러닝과 일반 프로그래밍의 차이
딥러닝 코드 실행해 보기
2장에서는 딥러닝 코드를 실행하기 위해서 구글 코랩을 사용합니다.
- 먼저 웹 브라우저에서 소스코드를 받습니다. [소스코드]
- 링크에 들어간 후 [구글 코랩 실행하기]를 클립합니다.
- 그리고 파일을 드라이브에 사본 저장을 합니다.
- 그 다음, 그 파일에 들어가서 런다임 탭의 모두 실행을 선택합니다.
- 그리고 코드창의 왼쪽에 실행 버튼을 클릭합니다.
딥러닝 개괄하기
딥러닝은 다음 4단계로 나뉘어 있습니다.
- 환경준비
- 데이터 준비
- 구조 결정
- 모델 실행
3단계 구조 결정 단계에서는 딥러닝 실행을 위해서 텐서플로라는 딥러닝 전용 라이브러리를 사용합니다. 하지만 텐서플로는 사용법이 어렵다는 단점이 있습니다. 그래서 이를 위해서 케라스(Keras)라는 것이 개발되었습니다.
Keras
케라스(Keras)는 딥러닝 모델을 쉽게 구성하고 학습시키기 위한 파이썬 라이브러리 중 하나입니다. 케라스는 TensorFlow, Theano, CNTK 등의 백엔드 엔진을 사용하여 구현됩니다. 케라스는 사용하기 쉽고 직관적인 API를 제공하여 딥러닝 모델을 쉽게 구성할 수 있습니다.
케라스는 다양한 유형의 신경망 모델, 예를 들면 순차 모델(Sequential model), 함수형 모델(Functional model), 서브클래싱(Subclassing) 모델 등을 지원합니다. 또한 다양한 종류의 레이어(layer)를 포함하여 다양한 종류의 활성화 함수(activation function), 손실 함수(loss function), 최적화 알고리즘(optimizer) 등을 지원합니다.
케라스는 딥러닝 초보자들에게 추천되는 라이브러리 중 하나이며, 빠르게 구현해야 하는 프로토타입 개발 및 실험용으로도 많이 사용됩니다. 또한 케라스는 TensorFlow 2.0부터는 공식 API로 통합되었습니다.
이제부터가 진짜 딥러닝?
지금까지 딥러닝을 위한 작업 환경을 만들고, 딥러닝 모델을 실행해 보았습니다. 다음 3장에서는 딥러닝을 위한 기초 수학을 배울겁니다.
