문서의 임의 삭제는 제재 대상으로, 문서를 삭제하려면 삭제 토론을 진행해야 합니다. 문서 보기문서 삭제토론 딥 러닝 (문단 편집) === 딥러닝 알고리즘을 이해하기 위한 기본기 === * [[컴퓨터과학]] 관련 전공자는 상관없지만, 기본적인 자료구조와 [[알고리즘]]에 관한 내용을 알고 있는 것이 좋다. 딥러닝 기술도 결국은 알고리즘으로 구현되기 때문에 도움이 되면 되었지 도움이 안 될 확률은 없다. 전공자 수준으로 깊게 알고 있다면 물론 좋지만, 비전공자나 일반인, 10대 입장에서는 전반적으로 자료구조와 알고리즘의 의미가 무엇인지 정도만 알고 넘어가도 상관없다. 관련 강좌로는 [[네이버]] 부스트코스 사이트에서 '''CS50''' 강좌를 검색하자. [[하버드]]에서 만든 모두를 위한 컴퓨터 과학 교양 강좌로 이 강좌의 내용을 이해할 수 있다면 충분하다. * 딥러닝을 공부하면 필연적으로 마주치게 되는 '''수학.''' 어쩔 수 없이 기본은 공부해야 한다(...) 우선 고등학교 때 배운 [[미분]]과 편미분[* 편미분은 뭔지 모를 수 있는데 다변수 함수의 특정 변수를 제외한 나머지 변수를 상수로 간주하여 미분이다. 아마 안 배웠다면 대학교에서 배울 가능성이 농후하다.] 개념이 생각난다면 축하한다. 딥러닝의 핵심인 경사하강법, 오차 역전파를 무리 없이 이해할 수 있다. 그 다음은 [[선형대수학]]을 공부해야 한다. 당연하지만 수많은 데이터를 행렬 형태로 표시한다는 점과 딥러닝 알고리즘의 기본이자 시초격인 회귀 분석은 선형법으로 푼다는 점에서 이 과목의 개념을 모르면 '''딥러닝에 대한 이해 자체가 불가능하다.''' 다음은 바로 [[확률]]. 고등학교 때 배운 정규분포, 조건부 확률 등이 생각나면 당연히 좋지만 이런 개념이 가물가물해도 괜찮다. 처음부터 다시 배우면 되니까. 딥러닝 알고리즘을 모델링하기 전 데이터를 처리하는 과정에서 다양한 확률 분포가 쓰이고, 위에서도 언급한 회귀 분석에는 조건부 확률 개념도 쓰인다. 그러니 기본적인 확률의 개념, 조건부 확률, 여러가지 확률 분포, 확률 추정 등의 개념은 반드시 알고 있어야 한다. 다행히 위에서 언급한 선형대수학, 확률의 모든 개념들은 대학교 1학년 전공 기초 또는 교양 수준의 난이도이니 겁먹지 말고 도전해보자. 강의로 공부하고 싶다면 역시 부스트코스의 확률론 기초, 모두를 위한 선형대수학을 추천한다. 진짜 본인이 수포자여서 수학을 공부하기가 겁난다 싶다면 서점에 가서 '''인공지능을 위한 수학류'''의 책을 하나씩 살펴보고, 가장 쉬운 책을 골라서 그거라도 공부하자. 행렬도 배워둬서 나쁘진 않다. * 수학적 기초를 쌓았다면, 이제 '''[[회귀 분석]]'''을 공부하자. 현대의 인공지능은 주로 예측, 분류, 생성 등의 문제를 해결하는 데 특화되어 있고 이는 딥러닝도 예외가 아니다. --애초에 머신러닝의 하위 개념이다.-- 회귀 분석에서 배우는 선형 회귀, 로지스틱 회귀, 다중 회귀, 소프트맥스 회귀 등은 예로부터 예측과 분석 문제를 수학적으로 모델링해서 풀어 내는데 유용하게 쓰였으며, 현대 [[인공신경망]]의 기술적 원리이기도 하다. 역시 전공자 수준으로 깊게 공부할 필요는 없고, 수학적인 원리를 이해한 후 간단한 예제를 풀어보자. 참고로 대부분의 딥러닝 라이브러리는 기본적인 데이터 셋을 가지고 있으니 이것을 통해 연습해보면 더 좋다. 정말 간단하게 공부하고 넘어가고 싶다면 선형 회귀, 로지스틱 회귀, 소프트맥스 회귀의 개념만 알고 넘어가도 좋다.저장 버튼을 클릭하면 당신이 기여한 내용을 CC-BY-NC-SA 2.0 KR으로 배포하고,기여한 문서에 대한 하이퍼링크나 URL을 이용하여 저작자 표시를 하는 것으로 충분하다는 데 동의하는 것입니다.이 동의는 철회할 수 없습니다.캡챠저장미리보기