컴퓨터공학부: 딥러닝의 기초

 

1. 과목에서 배울 수 있는 내용

이 수업은 머신러닝과 딥러닝 분야의 최신 주제를 폭넓게 다룹니다. 수업 시간에는 추상적인 개념 및 수학적 증명을 배우고, 과제를 통해 수업 시간에 배운 아이디어에 대한 구체적인 이해를 쌓아갈 수 있습니다. 이를 통해 학생들은 딥러닝 및 기계학습의 발전 과정과 더불어, 최신 연구 동향까지 배울 수 있습니다. 수업은 크게 두 파트로 나눌 수 있습니다. 학기 초반에는 딥러닝의 기본 개념을 배우고, 학기 중-후반에는 딥러닝의 주요 분야에 대해 깊이 있게 공부하게 됩니다.

- 기초 개념

Neural Network(신경망)
신경망(Neural Network)은 인간의 뇌의 동작 방식에서 영감을 받은 모델입니다. 신경망은 입력과 출력 사이에 연결된 여러 개의 뉴런(노드)들로 구성되어 있습니다. 우리는 어떤 Input이 이 뉴런들을 통과했을 때, 우리가 원하는 결과를 만들게 하는 것이 목표입니다. 예를 들어, 뉴진스 해린의 사진(Input)을 넣으면 ‘해린’이라는 결과(Output)를, 세븐틴 호시의 사진(Input)을 넣으면 ‘호시’라는 결과(Output)을 잘 나오게 하는 것이 목표입니다.

Loss Function(손실 함수)
손실 함수(loss function)는 모델의 예측값과 실제값 사이의 오차를 측정하는 함수입니다. 즉, 우리가 모델에게 ‘이런 결과를 내줘!’라고 원하는 목표라고 할 수 있죠. 학습 중에 이 손실 함수를 최소화하는 방향으로 모델의 파라미터를 조정하여 모델을 학습시킵니다.

Optimization(최적화)
딥러닝에서 optimization(최적화)은 학습 과정에서 모델 내부의 값을 잘 조정하여 손실 함수를 최소화하는 과정을 의미합니다. 이를 통해 모델이 주어진 데이터에 대해 더 알맞은 결과를 내도록 내부 값을 조정하게 됩니다. 딥러닝 모델의 최적화는 학습 알고리즘을 사용하여 파라미터를 업데이트하고, 이를 반복함으로써 이루어집니다. 가장 일반적으로 사용되는 최적화 알고리즘은 경사 하강법(Gradient Descent) 및 그 변형들입니다. 자세한 방법에 대해서는 수업을 통해 알아가세요!

- 세부 분야

Deep Generative models(생성 모델)
생성 모델은 데이터로 입력하지 않았고 실제로 존재하지 않는 데이터를 만들어내는 모델입니다. 요즘 이슈가 된 ChatGPT는 입력된 질문에 대한 답변을 생성하는 모델이라고 할 수 있죠. 수업에서는 GAN (Generative Adversarial Network), VAE(Variational AutoEncoder), Diffusion Model 등 여러 종류의 생성모델 및 작동 원리를 배우고, 과제를 통해 이를 직접 구현할 수 있습니다.

Adversarial Attacks & Defences (적대적 공격 및 방어)
적대적 공격은 의도적으로 딥러닝 모델을 혼란시키거나 잘못된 예측을 유도하기 위해 고안된 방법입니다. 적대적 공격에 대응하기 위해 적대적 방어 기법이 개발되고 있으며, 이는 모델의 안정성과 신뢰성을 강화하는 데 사용됩니다.

Reinforcement Learning (강화 학습)
강화 학습은 에이전트가 환경과 상호작용하며 보상을 최대화하는 방법을 배우는 기계 학습 분야입니다. 주어진 상태에서 취할 행동을 결정하기 위해 시행착오를 거치며 최적의 정책을 학습하게 됩니다.

Data Augmentation (데이터 변환)
데이터 증강은 학습 데이터를 다양하게 변형시켜 모델의 일반화 능력을 향상시키는 기법입니다. 회전, 이동, 확대/축소, 반전 등의 변형을 적용하여 데이터셋의 다양성을 증가시킵니다. 이는 데이터가 부족한 상황에서 특히 유용하며, 모델의 성능을 개선하는 데 도움이 됩니다.

2. 선배의 조언

딥러닝이 많은 관심을 받고있는 만큼, 비슷한 내용의 유명 강의들이 많습니다. ‘수업 내용을 예습하고 싶다’, 혹은 ‘수업시간에 배운 내용을 완벽히 이해하지 못했다’라고 하면, 외국 유명 강의들을 참고하며 공부하는 것을 적극 추천합니다. (예시: http://cs231n.stanford.edu/, https://cs182sp21.github.io/?fbclid=IwAR3bUWAW50qGjQcL-0QlrpjXU-FFATfS3pNhGgmjZtY5zKTh9pnR2X6IDZ0)

수업 내용 중에는 수학적 기반을 필요로 하는 부분이 많습니다. 따라서 선형대수학 및 통계학 수업은 반드시 들어야 하고, 관심정도에 따라 좀 더 심화된 수학 과목들을 듣고 수강하는 것을 추천합니다.

3. 진로 선택에 도움되는 점

인공지능 관련 진로를 원하지만 아직 어느 분야로 갈지 고민 중인 학생들의 경우, 수업에서는 다양한 분야를 가볍게 다루고 넘어가기 때문에 자신의 관심사를 찾는 데 도움이 될 수 있습니다. 해당 수업을 수강한 후 세부 분야 자신이 더 관심 있는 분야의 (컴퓨터 비전, 자연어 처리, 기계학습 등) 수업을 수강하는 것 추천합니다.

4. 맺음말

‘딥러닝/ 인공지능에 대한 아주 기본적인 개념 (어디서 들어봤어!) 정도만 갖고 있어! 좀 더 구체적인 개념/응용이 궁금해!’ 하는 분들께 적극 추천합니다.

추가로, ‘딥러닝의 기초’ 수업은 1, 2학기 모두 개설되지만 1학기에는 컴퓨터공학부에서, 2학기에는 전기정보공학부에서 개설됩니다. 따라서 1, 2학기 수업의 특징이 살짝 다르다는 것을 알고 계시면 좋을 것 같습니다.