딥 러닝?

딥러닝은 “컴퓨터가 많은 예시를 보고 스스로 규칙을 찾아서 판단하는 방법”이에요. 특히 사람의 뇌(신경세포)처럼 여러 단계로 정보를 처리하는 구조를 써서, 사진·소리·글 같은 복잡한 것도 잘 배우게 만든 기술입니다.

---

1) 딥러닝을 한 문장으로

딥러닝 = ‘정답이 있는 예시’를 엄청 많이 보여주면, 컴퓨터가 스스로 특징을 찾아 “이건 고양이!”, “이건 스팸!” 같은 판단을 하게 되는 학습 방법

• “딥(Deep)”은 층(layer)이 깊다(많다)는 뜻이에요.
• 층이 많을수록 단순한 규칙이 아니라 복잡한 패턴도 배웁니다.

---

2) 왜 ‘신경망(Neural Network)’이라고 부르나?

딥러닝의 대표 모델이 인공신경망이에요.
뇌의 뉴런이 자극을 받아 연결되며 판단하듯이, 인공신경망도 아래처럼 움직입니다.

• 입력(예: 사진의 픽셀 숫자들)
• 여러 층에서 처리(특징을 점점 뽑아냄)
• 출력(예: “고양이일 확률 92%”)

여기서 각 연결에는 가중치(weight)라는 값이 있는데, 이게 핵심입니다.

비유로 이해하기

• 가중치 = “어떤 특징을 얼마나 중요하게 볼지 정하는 다이얼”
• 학습 = “정답을 보고 다이얼을 조금씩 돌려가며 맞추는 과정”

---

3) 딥러닝은 어떻게 ‘학습’할까? (가장 중요한 원리)

딥러닝 학습은 보통 이런 순서로 이뤄져요.

(1) 예측해 보기 (Forward)

예: 고양이 사진을 넣었더니 컴퓨터가 “강아지”라고 말함.

(2) 틀린 만큼 점수 매기기 (Loss: 손실)

• “얼마나 틀렸는지” 숫자로 계산합니다.
• 이 숫자가 크면 “많이 틀림”, 작으면 “거의 맞음”.

(3) 어디를 얼마나 고칠지 계산 (Backpropagation: 역전파)

• 틀린 이유가 어떤 연결(가중치) 때문인지 거꾸로 추적해요.

(4) 가중치 조금 수정 (Gradient Descent: 경사하강)

• 손실이 줄어드는 방향으로 가중치를 조금씩 바꿉니다.
• 이걸 수천~수백만 번 반복하면 점점 잘 맞추게 돼요.

한 줄 요약: 예측 → 틀린 정도 측정 → 틀린 원인을 따라가며 → 가중치 조정 반복!

---

4) “층이 깊으면” 뭐가 좋아질까?

딥러닝이 잘하는 이유는 층이 여러 개라서 “단계적으로 특징”을 배울 수 있기 때문이에요.

예: 사진에서 고양이를 찾는 과정
1층: 선, 점, 간단한 모양
2층: 귀 모양, 눈 모양 같은 부분
3층: 얼굴 형태
4층: “이 정도면 고양이다!” (종합 판단)

즉, 사람이 “부분을 보고 전체를 판단”하듯이 딥러닝도 비슷하게 해요.

---

5) 딥러닝이 쓰이는 곳 (중학생이 바로 체감하는 예)

• 얼굴 인식: 휴대폰 잠금 해제
• 사진 분류: 앨범에서 “강아지/음식/문서” 자동 분류
• 번역: 자연스러운 문장 번역
• 추천 시스템: 유튜브/넷플릭스 추천
• 음성 인식: “헤이~”로 시작하는 음성 비서
• 자율주행: 차선, 사람, 신호등 인식

---

6) 딥러닝이 어려워하는 것 / 조심할 점

딥러닝은 똑똑해 보여도 약점이 있어요.

1) 데이터가 부족하면 약해짐

• 예시를 많이 못 보면 규칙을 잘 못 찾아요.

2) 편향(공정성 문제)

• 학습 데이터가 한쪽으로 치우치면 결과도 치우칠 수 있어요.

3) “왜 그렇게 판단했는지” 설명이 어려움

• 결과는 잘 내지만, 이유를 말로 설명하기 힘든 경우가 많아요.

4) 겉보기 비슷함에 속기도 함

• 사람 눈엔 비슷해도, 컴퓨터는 전혀 다르게 볼 수 있어요(반대도 가능).

---

7) 딥러닝 vs “옛날 방식” 간단 비교

• 옛날 방식(규칙 기반): 사람이 “고양이 특징”을 직접 규칙으로 만듦
  예) 귀가 뾰족하면 고양이? → 예외가 너무 많아짐
• 딥러닝(학습 기반): 사람이 규칙을 안 만들고 예시를 주면 컴퓨터가 규칙을 찾음

---

8) 한 번에 정리(암기용)

딥러닝은

1. 신경망(여러 층)을 써서
2. 예시(데이터)를 많이 보고
3. 틀린 만큼(손실)을 줄이도록
4. 가중치를 계속 고쳐
5. 점점 더 정확하게 분류/예측하는 기술이다.