인공지능, CNN, RNN, GAN

인공지능

• AI(Artificial intelligence) 인간의 지능(지적 능력)을 인공적으로 만든 것
• 인간의 사고 방식을 흉내 내는 것 (딥러닝)

인공지능 vs 머신러닝 vs 딥러닝

- AI

- ML : data 기반으로 학습

- DL : DNN(Deep neural network )기반으로 학습

 

머신 러닝

데이터 기반으로 학습

 

딥러닝 

깊은 인공 신경망으로 학습

 

 

CNN (Convolutional Neural Network)

CNN은 주로 이미지 데이터를 처리하는 데 사용되는 딥러닝 모델입니다.

이미지를 입력받아 특정 클래스를 예측하는 모델입니다.

CNN은 일반적으로 여러 개의 층으로 구성됩니다.

이 층들은 컨볼루션 레이어, 풀링 레이어, 그리고 완전 연결(fully connected) 레이어를 포함합니다.

• 입력: RGB 이미지 (예: 강아지 사진)
• 출력: 예측 클래스 (예: 강아지 = 1, 고양이 = 0)
• 과정:
  1. 강아지 사진 (3차원 행렬) 입력
  2. <CNN 모델>
  3. 예측값 1 출력

 

 

RNN (Recurrent Neural Network)

RNN은 시퀀스 데이터를 처리하는 데 사용되는 딥러닝 모델입니다.

텍스트, 음성 데이터, 시계열 데이터 등 순차적인 데이터를 다룹니다.

RNN은 순차적인 데이터의 각 요소를 처리하며, 이전 요소의 정보를 기억하여 다음 요소를 처리하는 구조를 가집니다.

일반적으로 RNN, LSTM(Long Short-Term Memory), GRU(Gated Recurrent Unit) 등이 있습니다.

• 입력: 문장 (예: "i am god")
• 출력: 번역된 문장 (예: "나는 신입니다")
• 과정:
  1. "i am god" 입력
  2. <RNN 모델>
  3. "나는 신입니다" 출력

 

 

GAN (Generative Adversarial Network)

GAN은 두 개의 신경망, 즉 생성자(Generator)와 판별자(Discriminator)가 서로 경쟁하며 학습하는 구조의 모델입니다.

주로 새로운 데이터를 생성하는 데 사용됩니다.

GAN은 생성자와 판별자로 구성되며, 생성자는 새로운 데이터를 생성하고,

판별자는 그 데이터가 실제 데이터인지 생성된 데이터인지를 구별합니다.

• 입력: 노이즈 벡터 (랜덤한 숫자들)
• 출력: 생성된 이미지 또는 데이터
• 과정:
  1. 랜덤 노이즈 벡터 입력
  2. <GAN 모델>
     • 생성자: 노이즈 벡터를 받아 새로운 이미지 생성
     • 판별자: 생성된 이미지와 실제 이미지를 구별
  3. 생성된 이미지 출력