본 강의는 파이썬 딥러닝 파이토치의 저자들이 직접 강의합니다

인공지능(AI)에 대한 개념과 최근 인공지능의 기본이 되는 딥러닝에 대해서 배워봅니다.

| Data Science란 무엇인가?

| 인공지능이란 무엇인가?

인공지능의 개념에 대해서 이야기하고, 최근에 딥러닝이 왜 대두가 되었는지 이야기합니다. 더불어, 인공지능이 어느 곳에 쓰이고 있는지 또한 어떻게 발전이 되고 있는지 이야기합니다. 최근 인공지능의 트렌드(GAN, 강화 학습)와 주요 이슈에 대해 이야기합니다.

| Multi Layer Perceptron(MLP)

최초의 인공지능이라 불리는 perceptron과 perceptron의 한계점, 그리고 이를 극복한 MLP에 대해서 배웁니다. MLP는 neural network의 기본 구조라고 보시면 됩니다. MLP의 학습 알고리즘을 차근차근 알려드립니다. Feed forward와 back propagation에 대해 이야기하고 장점과 단점에 대해 이야기합니다.

| Deep Learning에 대한 정의

딥러닝의 정의가 무엇이고 일반적인 neural network와는 무엇이 다른 것인지에 대해 집중적으로 배웁니다. NN의 단점인 gradient vanishing/overfitting 문제를 완화시킬 수 있는 activation function, drop out, Batch normalization에 대해 다룹니다. 나아가 단순히 분류만 할 수 있는 것이 아니라 새로운 feature에 대해 학습할 수도 있는 Auto-Encoder에 대해 다룹니다.

| Convolutional Neural Network (CNN)

딥러닝 역사를 보았을 때 가장 많이 발전한 모델이 이 CNN모델이 아닐까 싶습니다. 이미지 분류로 시작해서 엄청난 발전을 이루어온 CNN 모델에 대해 다룹니다. 학습 알고리즘의 특성에 대해 이야기하고 일반적인 NN과의 차이점에 대해 다룹니다. 더불어 CNN의 성능을 높이기 위한 다양한 아키텍쳐(Resnet, Densenet), initialization, optimizer 기법 그리고 transfer learning 대해서도 이야기합니다.

| Recurrent Neural Network

자연어의 특징을 잘 반영할 수 있는 Recurrent Neural Network (RNN ; 순환 신경망) 딥러닝 모델에 대해서 배웁니다. RNN 모델의 Feeding 과정을 수식적으로 배우며, 이에 대해 발전된 Long Term Short Memory (LSTM), Gated Recurrent Unit (GRU) 모델 역시 수식적으로 Feeding 과정을 설명합니다.

| 자연어처리의 Task

자연어 처리 분야에서는 많은 Task가 존재합니다. 그중 가장 대표적으로 뽑히는 Tagging, Neural Machine Translation이 어떤 Task 인지를 배웁니다. 각 Task 별 구체적인 예시와 더불어 분석 방법에 대한 대표적인 딥러닝 모델 구조를 제시하며, 데이터의 Weight Feeding 과정을 설명합니다.

| Attention

RNN 모델의 한계점을 제시하고, 이를 개선하기 위한 방법론 중 자연어 처리 분야에서 최근 떠오르고 있는 메커니즘인 Attention 기법을 소개합니다. Attention Mechanism을 이용한 Neural Machine Translation과, Attention Mechanism을 활용한 Tagging 각각에 대해 어떠한 방식으로 적용할 수 있는지 설명합니다. 더불어, 최근 자연어 처리 분야에 대해서 주요하게 연구되고 있는 Bert에 대해 간략히 소개합니다.

| Generative Adversarial Network

요즘에 이야기하는 인공지능은 대부분 딥러닝 모델을 활용합니다. 일반적인 머신러닝이나 딥러닝 모델은 분류와 회귀가 끝이었습니다.

그런데 GAN의 등장은 인공지능의 발전은 한 단계 앞당겼다고 해도 과언이 아닐 정도로 큰 패러다임을 가져왔습니다. 데이터를 분류하고 예측하는 것을 넘어서 생성을 한다는 것은 그때(4-5년 전) 당시에만 해도 상상도 할 수 없었습니다. GAN의 등장은, 강화 학습(알파고의 기본 원리)과 함께 인공지능에서 빼려야 뺄 수 없는 분야가 되었습니다.

위 그림은 1년 전 기준 가장 성능이 좋은 GAN이 만들어낸 이 세상에 실제로 존재하지 않는 가짜 이미지입니다. 현재에는 이보다 발전된 모델이 나왔습니다.

| CycleGAN (Style transfer의 기본 모델이 된 GAN)

[데이터를 생성하는 것을 넘어서] GAN의 생성 원리를 이용하여 다양한 분야로 발전하기 시작하였습니다. 그중 대표적인 모델이 Style transfer 모델인 CycleGAN입니다. 그림을 사진처럼 혹은 사진을 그림처럼 바꾸기도 하고, 낮과 밤을 바꾸기도 하고, 계절을 바꿔버리기도 합니다.

이렇게 이미지의 두 도메인을 서로 바꿔버리는 GAN 모델이 CycleGAN입니다. 이 CycleGAN은 Style transfer를 활용하는 GAN의 기본 base line model이 되었습니다.

| CAN (예술품을 생성해내는 GAN모델)

데이터를 생성하는 것은 결국 학습 데이터 내에서 생성을 하기 때문에 무언가 새로운 걸 창조하지는 않습니다. 그래서 예술과는 거리가 먼 것이죠. 학습 데이터 내에서 생성하게 되면 결국 그건 '모방'일뿐이기 때문이죠.

CAN모델은 GAN의 학습원리를 조금 바꿔서 예술품을 생성합니다. 인간에게 설문조사를 해서 실제 예술품과 비슷한 점수를 얻었다고 합니다.

| GAN이 응용/발전되는 다양한 분야

그 외에 GAN은 정말 다양한 분야로 발전해오고 있습니다.

이미지가 아닌 머신러닝을 위한 정형 데이터를 생성하기 위한 Radial GAN, 학습 데이터가 적은 상황에서 어떻게 하면 다양하고 고품질의 이미지를 생성해낼 수 있을까에 대한 모델인 DeliGAN, 여러 개의 GAN의 모델을 조합한 MGAN, 저화질을 고화질로 바꿔주는 SRGAN 등 다양한 GAN에 대해서 간략하게 소개합니다.

| DS/AI를 공부하려면 어떻게 해야 하는가?

DS/AI를 처음 공부하는 사람들을 위한 조언을 해드립니다.

- R vs Python

- AI를 위한 전공?

- 문과생도 할 수 있는가?

- 대학원은 필수 선택인가?

- AI 관련 직업들과 그에 필요한 역량들