Baram Seminar DeepLearning Day1
오늘은 광운대학교 로봇학부 동아리인 바람에서 진행하는 딥러닝 세미나에 참석했습니다.
오늘은 딥러닝 세미나 1일차입니다.
대학교에 진학해서 처음으로 참여하는 세미나여서 그런지 더욱 기대가 되었습니다.
지금부터, 딥러닝 세미나 1일차에 참여하여 배우고 생각한 내용들을 정리하여 기록해 보겠습니다.
왜 AI를 공부해야 하는가?
제가 꿈꾸는 로봇을 만들기 위해서 AI를 공부해야 합니다.
그렇기에 저는 AI를 공부해야만 합니다.
그렇다면 제가 꿈꾸는 로봇은 무엇일까요?
1. 내가 생생하게 꿈꾸는 로봇은
제일 우선으로 만들고 싶은 로봇은 안드로이드입니다.
휴머노이드와 안드로이드는 비슷하게 보이지만 다른 개념입니다.
휴머노이드가 아닌 안드로이드를 만들고 싶은 이유는 다음과 같습니다.
- 나노리스트의 나노같은 귀여운 안드로이드를 만들고 싶기 때문입니다.
- 사람과 같이 숨쉬고 행동하고 의사결정을 하는 로봇을 원하기 때문입니다.
- 안드로이드가 사람들 사이에서 함께 공존하는 그런 미래를 보고 싶기 때문입니다.
이 외에 다양한 이유와 꿈이 있기에 저는 안드로이드를 만들어 보다 더 행복하게 살고 싶습니다.
어릴 적 안드로이드가 등장하는 나노리스트를 감명 깊게 봐서, 저도 나노리스트의 주인공과 같은 삶을 살아보고 싶기도 했습니다.
물론, 지금도 그런 꿈을 생생하게 꿈꾸고 있습니다.
나노 같은 귀여운 안드로이드가 나를 지켜주고 함께 해준다면 그 어떠한 일이라도 해낼 수 있을 것만 같았습니다.
만들기만 하고 끝이 아니라, 서비스 하고 유지보수 하는 것이 저의 목표입니다.
(그 외에 관심 있는 분야의 로봇)
그 다음으로 관심 있는 분야는 군사용 로봇(Military Robot)과 의료용 로봇(Medical Robot)입니다.
간략하게 설명 드리겠습니다.
군사용 로봇에 관심을 가지게 된 가장 큰 이유는 영화 아이언맨의 영향을 크게 받았습니다.
의료용 로봇에 관심을 가지게 된 이유는 수술 로봇 다빈치가 멋있게 느껴졌으며 로봇 의수를 개발하시는 로봇 엔지니어이신 작은 아버지의 영향을 받았습니다.
그렇기에 이러한 분야의 로봇에 관심을 가지게 되었습니다.
2. 상상의 로봇과 닮은 로봇의 공개
현 시점에서 공개된 로봇들 중에서, 제가 추구하고 꿈꾸는 로봇은 피규어 사의 Figure 01입니다.
자연스러운 움직임과 Chat GPT의 인지-판단-사고 능력을 갖춘 Figure 01은 로봇 공학도들의 호기심을 자극한다고 생각합니다.
Fiqure 01은 몇 축 로봇일까?
어깨 관절은 몇 개의 모터로 구성되어 있을까?
등의 궁금증이 생겼습니다.
로봇이나 IT기술 뿐만이 아니라 무언가를 보면 궁금해 해야하고, why?에 대한 해답을 계속 꼬리에 꼬리를 물어 저의 Schema에 닿을 때까지 생각하는 강박을 가지고 있는 것 같습니다.
그래도 이번에 떠오른 why? 들은 강박이 아닌, 내면의 제가 순수하게 궁금해 하고 있다고 생각합니다.
위에서 언급한 why?에 대한 해답은 포스팅 이후 찾아보고, 관련 내용을 추가해야겠습니다.
불과 몇 십년 전만하더라도 휴머노이드인 휴보와 아시모가 공개되었고, 피규어 이전에는 테슬라사의 옵티머스가 공개되었습니다.
이렇게 급속도록 발전하는 로봇 산업을 보니 두근거리고, 전율이 흐릅니다.
내용이 길어진 것 같습니다.
이제 본격적으로 다음 내용에 대하여 정리하겠습니다.
AI, ML, DL ?
1. AI
AI(Artifical Inetelligence)는 인간의 지능을 모방한, 인공으로 만들어진 지능이라고 할 수 있습니다.
2. ML
ML(Machine Learning)은 알고리즘과 데이터의 융합된 AI라고 할 수 있습니다.
3. DL
DL(Deep Learning)은 매우 진보된 형태의 ML이라고 할 수 있습니다.
기존 ML이 처리하기 어려운, 크고 복잡한 data들을 처리하는 데 용이하게 사용됩니다.
어떻게 DL은 ML보다 크고 복잡한 data들을 처리할 수 있을까?
=> DL은 Hidden Layer를 무수히 많이 가지고 있기에 ML보다 크고 복잡한 data들을 처리할 수 있습니다.
=> DL은 인간의 뉴런과 비슷한 인공 신경망을 무수히 많이 가지고 있습니다. 
자료출처 : deepai.org
아래는 AI와 ML, DL의 관계를 나타내낸 자료입니다.
알아두면 쓸모 있는 지식들
1. 알콰리즈미
알고리즘은 알콰리즈미라는 페르시아의 수학자로부터 유래되었습니다.
2. DT
DT는 Data Technology의 약어로, 데이터 시대를 의미합니다.
“이제는 IT(Information Technology)시대가 아닌, DT(Data Technology)의 시대다” 라는 말이 있습니다.
관련 서적으로 이것이 인공지능이다라는 책을 추천합니다.
3. 중국어 방
중국어 방은 튜링 테스트의 반례를 위해 고안된 사고 실험입니다.
인공지능이 인간의 감정을 이해하고 답변을 할까? 라는 호기심에 대한 답변은 중국어의 방 실험으로 답변이 가능합니다.
중국어 방 실험을 통해서, 인공지능은 감정을 이해하고 답변하는 것이 아닌 감정을 이해하는 척하고 답변을 한다고 말씀드릴 수 있겠습니다.
AI와 ML의 차이는 무엇인가?
AI와 ML은 동일하지 않습니다만, 밀접한 관계를 가지고 있습니다.
| 종류 | AI | ML |
|---|---|---|
| Focusing | 추론, 감지(포괄적) | data |
ML vs DL
ML은 알고리즘과 빅데이터로 문제를 해결합니다.
DL은 ML의 진보된 형태로, 스스로 패턴을 학습합니다.
=> ML은 알고리즘에 따라 output을 도출하는 ‘레시피’로 비유할 수 있으며, DL은 사용자에게 조언까지 해주는 ‘요리사’로 비유할 수 있습니다.
Q. 어떻게 DL은 ‘조언’을 할 수 있을까?
A. DL은 인공신경망을 가졌기 때문에 조언을 해줄 수 있습니다.
Q. 그러면 ML은 인공신경망을 안 가지고 있는가?
A. 네, ML은 인공신경망을 가지고 있지 않습니다.
DL은 인공신경망 방법을 이용하여 만든 ML이므로, ML은 인공신경망을 가지고 있지 않습니다.
참고자료 : 코드스테이츠의 ‘인공지능·머신러닝·딥러닝 차이점은?ㅣ개념부터 차이점까지 총 정리’
인공신경망
인공신경망은 NN(Neural Network)라고 불립니다.
NN은 여러개의 뉴런(노드)으로 연결되어 있습니다.
따라서, 복잡한 데이터 처리와 패턴 처리가 가능합니다.
1. DNN(Deep Neural Network)
DNN은 기존 NN보다 Hidden Layer(은닉층)가 deep하게 많은 형태입니다.
은닉층이 많다는 것은, 문제 해결 능력이 뛰어나며 이는 학습 결과의 향상까지 이어집니다.
(= 은닉층 많음 -> 해결 능력 뛰어남 -> 학습 결과 향상)
자료 출처 : 삶은 확률의 구름님의 ‘[인공지능] ANN, DNN, CNN, RNN 개념과 차이’
Image분석에 있어서는 DNN은 효과적이지 않습니다.
이미지 공간 구조를 고려하지 않고 전체 픽셀을 한꺼번에 처리하기 때문입니다.
그래서 등장한 것이 CNN입니다.
2. CNN (Convolution Neural Network)
CNN(합성곱신경망)은 데이터의 특징을 추출하여 특징들의 패턴을 파악하는 구조입니다.
자료 출처 : saisriteja kuppa님의 ‘Deep Learning Series: Part 4’
개와 고양이를 예시로 CNN에 대하여 마저 설명하겠습니다.
개와 고양이의 이미지로 학습을 시킵니다.
개는 0이고, 고양이는 1입니다.
학습하지 않았던 이미지가 input으로 들어오게 되면 학습했던 데이터를 통해 input으로 들어온 이미지가 개면 0을, 고양이면 1을 output으로 출력합니다.
3. RNN (Recurrent Neural Network)
RNN(순환 신경망)은 연속형 데이터를 처리하기 위해 고안된 신경망 구조입니다.
시계열 또는 순차 데이터를 예측하는 딥러닝을 위한 신경망 아키텍처라고 할 수도 있습니다.
RNN은 자연어처리에서 사용됩니다.
자료 출처 : yuns_u님의 ‘순환 신경망(RNN, Recurrent Neural Network)’
알아두면 쓸모 있는 지식들
1. MNIST Dataset
MNIST Dataset은 손으로 쓰여진 숫자 데이터들의 대형 DB입니다.
1986년, NIST에서 손으로 흘려 쓴 우편번호를 쉽게 파악하기 위해 시작된 데이터셋입니다.
ML의 “Hello, World!”가 Iris Dataset이라면, DL에서는 MNIST라고 합니다.
더 자세한 MNIST의 역사는 루나님의 ‘딥러닝의 Hello World, MNIST 데이터셋’을 참고해주세요.
2. Sliding Window
MNIST Dataset중의 숫자 4입니다.
사진과 같이 움직이는 방식을 Sliding Window 방식이라고 합니다.
자료 출처 : 별보는두더지님의 ‘[논문 리뷰] CNN - Standard (기본) (Keras, PyTorch)’
행렬 (Matrix)
우리가 보는 이미지들은 RGB 각각 3개의 채널이 겹쳐져 3차원의 행렬로 표현됩니다. 
자료 출처 : 원본 자료 출처 확인 안 됨.
선형회귀 (Linear Regression)
선형회귀는 어떤 두 가지 것이 서로 어떤 관계가 있는지 알고 싶을 때 사용됩니다.
자료 출처 : 코사다마의 ‘선형회귀분석’
가설을 예측 하는 직선은 아래과 같이 나타낼 수 있습니다.
\(y = Wx + b\) W는 가중치이며, b는 편향입니다.
직선의 방정식에서 기율기와 y절편을 선형회귀에서는 W와 b로 나타낸다고 말씀드릴 수 있습니다.
Loss Function
Loss Function은 대중적으로 손실함수라고 불리며, 비용함수, 목적함수, 오차함수로도 불립니다.
딥러닝은 손실함수의 오차값을 최소화 시키는 것을 목표로 하는 작업입니다.
정리
[인공지능의 분류]
- AI : 인간의 지능을 모방한 인공지능.
- ML : 알고리즘과 빅데이터로 문제를 해결.
- DL : 인공신경망을 이용하여 모델이 스스로 데이터를 분석 및 해결.
[NN]
NN(Neural Network)은 인간의 뉴런을 모방하여 만든 구조입니다.
NN은 퍼셉트론(노드)과 엣지로 구성되어 있습니다.
주어진 입력에 대하여 W(가중치)와 b(편향)를 정해줘야 합니다.
그러나, 딥러닝은 AI가 스스로 가중치와 편향을 알아낼 수 있습니다.
NN에는 크게 세 종류가 존재합니다.
- DNN : 은닉층이 아주 깊고 많은 신경망.
- CNN : Convolution을 사용하여 Sliding Window 이미지에 효과적인 신경망.
- RNN : 언어와 시간에 아주 밀접한 관련이 있는 신경망.
[선형회귀]
선형회귀는 두 변수간의 관계를 파악할 때 사용됩니다.
마무리
오늘은 이렇게 바람에서 진행된 딥러닝 세미나 1일차에 참석하여 인공지능에 대하여 배울 수 있었습니다.
개념 위주의 세미나이기에 인공지능에 대하여 거부감 없이 친숙하게 배울 수 있었던 것 같습니다.
고등학생 때 배웠던 내용이지만, 까먹어서 기억이 잘 나지 않았습니다.
그래도, 강의를 진행해주신 선배님께서 친절히 설명해 주셨기에 다시 떠올리며 복습할 수 있게 되었습니다.
세미나 녹화 영상 : 바람 공식 유튜브 - [파이썬 없이 배우는 딥러닝] OT & 인공지능의 기초 : 머신러닝과 딥러닝의 이해