[CV 기초] #7 딥러닝 비전

규칙 기반 방법론과 딥러닝 방법론 비교

1. 규칙 기반 방법론
   • 개념: 규칙 기반 방법론은 사람이 직접 데이터를 분석하고 규칙을 도출하여 프로그래밍하는 방식입니다.
   • 한계:
     • 사람이 설정한 규칙에 의존하기 때문에 복잡한 패턴이나 예외를 처리하는 데 한계가 있습니다.
     • 특정 필터나 방법이 모든 상황에 최적이지 않을 수 있어, 각 데이터에 맞는 최적의 규칙을 설계해야 하는 부담이 있습니다.
     •  데이터를 기반으로 최적의 필터를 설계할 수 있는 방법이 부족할 수 있습니다.
2. 딥러닝 방법론
   • 개념: 딥러닝은 데이터를 기반으로 학습을 통해 최적의 모델이나 해결책을 찾는 방식입니다. 네트워크 구조와 학습 알고리즘을 사용하여, 사람이 직접 규칙을 정의하지 않고 데이터를 통해 최적의 해결책을 찾습니다.
   • 장점:
     • 다양한 데이터를 학습하면서, 복잡한 패턴이나 규칙을 스스로 발견할 수 있습니다.
     • 예시: 최적 필터를 학습을 통해 알아냄 (CNN) – 이미지 처리에서 합성곱 신경망(CNN)은 다양한 필터를 자동으로 학습하여 최적의 결과를 제공합니다.
   • 한계:
     • 양질의 데이터가 매우 중요합니다. 잘못된 데이터나 부족한 데이터로 학습하면, 성능이 저하되거나 정확하지 않은 결과를 도출할 수 있습니다.
     • 딥러닝 모델은 데이터를 통해 학습하므로, 모델을 훈련하기 위한 충분한 데이터와 시간이 필요합니다.

• 규칙 기반 방법론은 사람의 지식을 바탕으로 규칙을 설정하여 문제를 해결하지만, 데이터에 따라 최적의 규칙을 찾는 데 한계가 있습니다.
• 딥러닝 방법론은 데이터를 기반으로 최적의 해결책을 찾아가며, 특히 이미지나 복잡한 데이터에 대해 매우 강력한 성능을 보이지만, 양질의 데이터가 반드시 필요합니다.

 

• scikit-learn은 딥러닝 이전의 고전적인 기계학습 모델들을 지원하며, 간단한 데이터 분석 및 모델링에 유용한 라이브러리입니다.
• TensorFlow와 PyTorch는 딥러닝을 지원하는 라이브러리로, 대규모 데이터셋과 복잡한 신경망 모델을 학습하는 데 사용됩니다.
  • TensorFlow는 대규모 시스템 및 분산 학습에 적합하며, PyTorch는 동적 계산 그래프와 연구적인 실험에 유리합니다.

 

퍼셉트론 (1958년에 등장한 원시적인 모델)

 

 

활성함수

• 신경망에서 각 뉴런(혹은 노드)의 출력을 결정하는 함수

 

옵티마이저(Optimizer)

옵티마이저(Optimizer)는 머신러닝과 딥러닝 모델의 학습 과정에서 손실 함수(Loss Function)의 값을 최소화하거나 최대화하는 알고리즘입니다. 옵티마이저는 모델의 가중치(weight)와 편향(bias)를 업데이트하여 모델의 성능을 개선합니다. 이를 통해 더 나은 예측 결과를 얻을 수 있습니다.

 

 

층(Layer)