Page 19 -

1.3.1 딥러닝 학습 과정

딥러닝의 학습 과정도 머신 러닝과 크게 다르지 않습니다. 물론 자세히 다룬다면 데이터를 구하고
전처리하는 방법부터 튜닝하는 방법까지 포함되겠지만, 세세한 부분까지 작성하고 다루기에는 딥
러닝 분야가 너무 넓습니다. 따라서 데이터 준비부터 모델(모형)을 정의하고 사용하는 상위 레벨

에서 짚고 넘어갑니다.

그림 1-11 딥러닝 모델의 학습 과정

ݽ؛ ݽഋ
ؘ੉ఠ ળ࠺
੿੄
২౭݃੉੷ ࢶఖ
ݽ؛ ݽഋ
ஹ౵ੌ
ࣚप ೣࣻ ࢶఖ
ݽ؛ ݽഋ
ള۲

ݽ؛ ݽഋ
৘ஏ

● 데이터 준비: 초보자가 데이터를 쉽게 구할 수 있는 방법은 두 가지입니다. 첫째, 파이토치
(https://tutorials.pytorch.kr/)나 케라스(https://keras.io/)에서 제공하는 데이터셋을
사용하는 것입니다. 제공되는 데이터들은 이미 전처리를 했기 때문에 바로 사용할 수 있으
2
며, 수많은 예제 코드를 쉽게 구할 수 있는 장점이 있습니다. 둘째, 캐글(Kaggle) 같은 곳에
공개된 데이터를 사용하는 것입니다. 물론 국내의 공개 데이터들도 사용할 수 있으나 상당
히 많은 전처리를 해야 하기에 가능하면 캐글 같은 플랫폼에 제공된 데이터를 활용하길 권
장합니다.

● 모델(모형) 정의: 모델(모형) 정의 단계에서 신경망을 생성합니다. 일반적으로 은닉층 개수가
3
많을수록 성능이 좋아지지만 과적합 이 발생할 확률이 높습니다. 즉, 은닉층 개수에 따른
성능과 과적합은 서로 상충 관계에 있다고 할 수 있습니다. 따라서 모델 정의 단계에서 신경
망을 제대로 생성하는 것이 중요합니다.

2 캐글(https://www.kaggle.com/)은 AI 경진 대회 플랫폼으로, 공개된 데이터가 많습니다.
3 훈련 데이터를 과하게 학습하여 훈련 데이터에서는 오차가 감소하지만, 새로운 데이터에서는 오차가 커지는 것을 의미합니다.
026