CWN(CHANGE WITH NEWS) - 2021년 당신이 알아야 할 ＂딥 러닝 알고리즘＂ 10가지

최근 딥러닝(Deep Learning)을 채택하는 기업이 계속해서 증가하고 있다. 글로브뉴스와이어에 따르면, 이머젠 리서치는 2028년 세계 딥 러닝 시스템 시장 규모는 933억 4천만 달러에 달할 것으로 예상되며, CAGR은 39.1%에 이를 것으로 예측했다. 빅데이터 분석에 클라우드 기반 기술을 채택하고, 딥러닝 시스템을 사용하는 것은 기업을 성장하는 핵심 요소가 되고 있다.

딥러닝은 인간의 뇌와 유사한 인공 네트워크를 통해 기계가 학습하고 구조적으로 데이터 분석을 할 수 있게 한다. 이에 지능형 인프라 모델 구축, 가상 어시스턴트 개발, 이미지 처리 등 다양한 곳에 사용되고 있다. 그런데 다양한 딥 러닝 기술 중 주목해야 하는 것에 어떤 것이 있을까? 애널리스틱인사이트가 2021년 알아야 할 딥러닝 알고리즘 10가지와 쓰임을 소개했다.

1. 나선형 신경망 (CNN, Convolutional Neural Network)
ConvNets 또는 CNN으로 알려진 나선형 신경망은 여러 계층으로 구성되며 1988년 옌 르쿤(Yann LeCun)에 의해 개발됐다. 이때 CNN은 LeNet이라고 불렸으며, 우편 번호와 숫자 같은 문자를 인식하기 위해 사용되었다. 현재 CNN은 물체 탐지, 위성 및 의료 이미지 식별·처리, 시계열 예측 및 이상 징후 감지 등에 널리 사용된다.

2. 장단기 메모리 네트워크 (LSTM, Long Short Term Memory Networks)
LSTM은 장기 의존성을 학습하고 기억할 수 있는 순환 신경망(RNN, Recurrent Neural Network)의 일종이다. 오랜 기간 동안의 과거 정보를 불러오는 것을 기본으로 한다. LSTM은 시간이 지남에 따라 정보를 유지하고, 이전 입력을 기억하기 때문에 시계열 예측에 유용하다. 네 개의 상호작용 계층이 고유하게 통신하는 체인 같은 구조를 가지며, 시계열 예측 외에도 음성 인식, 작곡, 제약 개발 등에 사용된다.

3. 반복 신경망 (RNN, Recurrent Neural Networks)
RNN은 직접 사이클을 형성하는 연결이 있어 LSTM의 출력을 현재 위상에 대한 입력으로 공급한다. LSTM의 출력은 현재 위상에 대한 입력이 되며, 내부 메모리를 통해 이전 입력을 기억할 수 있다. RNN은 이미지 캡션, 시계열 분석, 자연어 처리, 필기 인식 및 기계 번역에 사용된다.

4. 생성적 적대 네트워크 (GAN, Generative Adversarial Networks)
GAN은 교육 데이터와 유사한 새로운 데이터 인스턴트를 생성하는 생성형 딥러닝 알고리즘이다. GAN은 가짜 데이터를 생성하는 법을 배우는 '생성기'와 잘못된 정보로부터 학습하는 '판별기'로 구성된다. GAN은 시간이 지나며 더 많이 사용되고 있다. GAN은 천문 이미지를 개선하고 암흑 물질 연구를 위한 중력 렌즈를 시뮬레이션하는 데 사용될 수 있다. 이 밖에도 기존 비디오 게임의 저 해상도, 2D 텍스처를 이미지 교육을 통해 더 높은 해상도로 재생성해 업그레이드하는 데 사용될 수 있다.

5. 방사상 기준 함수 네트워크(RBFN, Radial Basis Function Network)
RBFN은 방사상 기반 기능을 활성화 기능으로 사용하는 특수한 피드포워드(feedforward) 신경 네트워크이다. 입력 계층, 숨겨진 계층, 출력 계층을 가지며 주로 분류, 회기 및 시계열 예측에 사용된다.

6. 다층 인식(MLP, Multilayer Perceptions)
MLP는 딥러닝 기술을 처음 배우기 시작할 때 학습하기 좋은 기술이다. MLP는 활성화 기능이 있는 여러 퍼셉트론(학습 능력을 갖는 패턴 분류 장치)을 가진 피드포워드 신경 네트워크이다. 입력 계층과 완전히 연결된 출력 계층으로 구성되며, 입력 및 출력 계층 수는 동일하지만 여러 개의 숨겨진 계층이 있을 수 있다. MLP는 음성 인식, 영상 인식, 기계 번역 소프트웨어 구축에 사용된다.

7. 자체 구성 맵 (SOM, Self Organizing Maps)
SOM은 자가 구성한 인공 신경망 네트워크를 통해 데이터 시각화에서 데이터 크기를 줄일 수 있는 기술로 테우보 코호넨(Teuvo Kohonen) 교수가 발명했다. 데이터 시각화는 인간이 쉽게 시각화할 수 없는 고차원 데이터를 해결하기 위해 사용된다. SOM은 사용자가 이러한 고차원 정보를 이해하는 데 도움이 되도록 한다.

8. 깊은 신뢰망 네트워크 (DBN, Deep Belief Network)
DBN은 확률적이고 잠재적인 변수의 여러 계층으로 구성된 생성 모델이다. 잠재 변수는 이진수 값을 가지며, 종종 숨겨진 유닛이라고 불린다. DBN은 계층 간 연결이 있는 볼츠만 기계의 스택이며, 각 RBM 계층과 후속 계층 모두와 통신한다. 이 알고리즘은 영상 인식, 비디오 인식 및 모션 캡쳐 데이터에 사용된다.

9. 제한된 볼츠만 머신 (RBM, Restricted Boltzmann Machine)
RBM은 일련의 입력에 대한 확률 분포로부터 학습하는 확률 신경 네트워크로 제프리 힌튼(Geoffrey Hinton)이 개발했다. 이 딥러닝 알고리즘은 치수 감소, 분류, 회귀 분석, 협업 필터링, 기능 학습 및 주제 모델링에 사용된다. RBM은 DBN의 구성 요소를 구성한다.

10. 자동 인코더(Autoencoders)
자동인코더는 입력과 출력이 동일한 특정 유형의 피드 포워드 신경 네트워크이다. 1980년에 제프리 힌튼(Geoffrey Hinton)이 감독되지 않은 학습 문제를 해결하기 위해 설계했다. 입력 계층에서 출력 계층으로 데이터를 복제하는 훈련된 신경 네트워크로, 제약 검색, 인기 예측 및 이미지 처리 등에 사용된다.

[저작권자ⓒ CWN(CHANGE WITH NEWS). 무단전재-재배포 금지]