밑바닥부터 시작하는 딥러닝 - 미리보기

그림 4-2 ‘사람’ 손으로 규칙 만들기에서 ‘기계’가 데이터로부터 배우는 방식으로의 패러다임 전환 : 회색 블록은 사람이
개입하지 않음을 뜻한다.
사람이 생각한 알고리즘
결과
사람이 생각한 특징
(SIFT, HOG 등)
기계학습
(SVM, KNN 등)
결과
신경망(딥러닝)
결과
[그림 4-2]와 같이 신경망은 이미지를 ‘있는 그대로’ 학습합니다. 2번째 접근 방식(특징과 기
계학습 방식)에서는 특징을 사람이 설계했지만, 신경망은 이미지에 포함된 중요한 특징까지도
‘기계’가 스스로 학습할 것입니다.
딥러닝을 종단간 기계학습 end-to-end machine learning 이라고도 합니다. 여기서 종단간은 ‘처음부터 끝까
지’라는 의미로, 데이터(입력)에서 목표한 결과(출력)를 얻는다는 뜻을 담고 있죠.
신경망의 이점은 모든 문제를 같은 맥락에서 풀 수 있는 점에 있습니다. 예를 들어 ‘5’를 인식하
는 문제든, ‘개’를 인식하는 문제든, 아니면 ‘사람의 얼굴’을 인식하는 문제든, 세부사항과 관계
없이 신경망은 주어진 데이터를 온전히 학습하고, 주어진 문제의 패턴을 발견하려 시도합니다.
즉, 신경망은 모든 문제를 주어진 데이터 그대로를 입력 데이터로 활용해 ‘end-to-end’로 학
습할 수 있습니다.
4.1.2 훈련 데이터와 시험 데이터
본격적인 신경망 학습 설명에 앞서, 기계학습에서 데이터를 취급할 때 주의할 점을 이야기하겠
습니다.
기계학습 문제는 데이터를 훈련 데이터 training data 와 시험 데이터 test data 로 나눠 학습과 실험을 수행하
는 것이 일반적입니다. 우선 훈련 데이터만 사용하여 학습하면서 최적의 매개변수를 찾습니다.
그런 다음 시험 데이터를 사용하여 앞서 훈련한 모델의 실력을 평가하는 것입니다. 그러면 왜
110 밑바닥부터 시작하는 딥러닝