신경망이란 무엇인가?

⏱ 01:29머신러닝은 사람이 모든 규칙을 작성하는 대신 데이터의 패턴을 학습해 손실을 줄이는 모델을 만든다. 스팸 분류에서는 레이블이 붙은 이메일의 특징을 학습하고 분류 경계를 이용한다. 지도학습 외에 뉴스 군집화 같은 비지도학습과 보상·불이익을 이용하는 강화학습도 있다. 신경망은 입력층·은닉층·출력층의 뉴런으로 구성되며 가중치와 편향을 조정해 예측을 개선한다. 가중합에 비선형 활성화 함수를 적용해 복잡한 패턴을 표현한다. 시그모이드는 0~1 출력, ReLU는 0 기준의 효율적인 계산이 특징이다.

⏱ 00:00안녕하세요, 자라입니다. 이번 영상에서는 신경망에 관해 이야기하겠습니다. 신경망에 들어가기 전에 머신러닝 전반을 먼저 살펴보죠. 머신러닝은 인공지능, 즉 AI의 한 분야로, 데이터에서 배우고 그 데이터를 바탕으로 의사결정을 할 수 있는 시스템을 만드는 데 초점을 둡니다. 요즘 AI라는 말을 너무 자주 듣고 계실 텐데요. 이 말이 점점 마케팅 용어가 되고 있다고 생각하셔도 맞습니다. 1950년대에 이 용어를 만든 존 매카시가 자금을 유치할 마케팅 용어로 쓰려고 했다는 주장까지 있습니다.

⏱ 00:39전통적인 프로그래밍에서는 규칙과 논리를 사람이 명시적으로 정합니다. 반면 머신러닝은 특정 작업의 처리 방법을 일일이 프로그래밍하지 않아도 컴퓨터가 패턴을 학습하고 예측할 수 있게 합니다. 실제 사례로 스팸 메일 탐지를 살펴보겠습니다. 제가 받은 이메일이 스팸인지 아닌지 판단하려면, 전통적인 프로그래밍에서는 구체적인 규칙을 작성해야 합니다. 예를 들어 ‘lottery’(복권), ‘free’(무료), ‘winner’(당첨자) 같은 단어가 들어 있으면 스팸으로 분류하는 식이죠. 하지만 가능한 모든 규칙을 미리 예상하고 코드로 옮겨야 한다는 한계가 있습니다. 스팸 발송자가 표현을 바꾸면 프로그램이 새로운 스팸 메일을 알아보지 못할 수 있습니다.

⏱ 01:29머신러닝에서는 구체적인 규칙을 작성하는 대신 알고리즘에 대규모 이메일 데이터셋을 넣습니다. 지도학습의 경우에는 사람이 각 이메일에 스팸인지 아닌지 정답 표시, 즉 레이블을 붙입니다. 알고리즘은 이 데이터에서 스팸과 정상 메일을 구분하는 패턴을 학습합니다. 학습 중에는 분류 오류를 최소화하는 모델을 만들려고 합니다. 더 일반적으로는 ‘손실 함수’라고 부르는 것을 최소화하는 것이죠. 이렇게 하면 새 유형의 스팸이 나타나도 처리 규칙을 명시적으로 다시 프로그래밍하지 않고 대응할 수 있습니다.

⏱ 02:05이를 그림으로 설명하기 위해, 이메일을 대표하는 성분들을 이용해 각각의 이메일을 하나의 점으로 나타낸다고 해 보겠습니다. 예를 들어 x₁은 의심스러운 단어가 어느 정도 들어 있는지를 나타내는 척도이고, x₂는 이메일 내용이 얼마나 일반적인지를 나타내는 척도일 수 있습니다. 이러한 특징, 또는 성분은 사람이 설계할 수도 있고 학습으로 얻을 수도 있습니다. 제가 기대하는 것은 이메일 데이터가 지금 보여 주는 그림과 비슷하게 배치되는 것입니다. 물론 지나치게 단순화한 그림이지만, 전체적인 취지는 이해하실 수 있을 겁니다.

⏱ 02:35그림에서 별은 스팸 메일을, 원은 정상 메일을 나타냅니다. 초평면을 하나 그어서 이메일을 나누거나 분류할 수 있습니다. 이 경우에는 초평면이 그저 하나의 직선입니다. 앞에서 모델을 만들고 싶다고 했던 것을 기억하시나요? 여기서는 바로 이 초평면이 어떤 이메일이 스팸인지 아닌지를 정하는 단순한 모델입니다. 새로운 이메일을 받으면 같은 그림 위에 점으로 표시하면 됩니다. 그 점이 분리 초평면을 기준으로 어디에 놓이는지에 따라 스팸 여부를 판단할 수 있습니다.

⏱ 03:07이 모델을 학습하는 데 사용한 데이터, 즉 이메일에는 레이블이 붙어 있었으므로 이 분류 작업은 지도학습에 속합니다. 지도학습은 머신러닝의 세 가지 유형 중 하나입니다. 또 다른 유형은 비지도학습으로, 뉴스 기사를 범주별로 묶는 군집화가 그 예입니다. 세 번째는 강화학습입니다. 바람직한 행동에는 보상을 주고 바람직하지 않은 행동에는 불이익을 주는 알고리즘으로 자동차의 자동 주행 기능을 훈련하는 것이 예가 될 수 있습니다. 앞으로의 영상에서 이런 개념들을 더 다뤘으면 좋겠다면 댓글로 알려 주세요.

⏱ 03:45그렇다면 신경망이란 무엇일까요? 신경망은 인간 뇌의 생물학적 뉴런이 작동하는 방식에서 영감을 받아 20세기 중반 무렵 개발된 계산 모델입니다. 기본적으로 서로 연결된 노드, 즉 뉴런들이 층을 이루며 데이터를 처리하고 그 데이터에 따른 출력을 만들어 냅니다. 신경망은 입력 데이터로부터 학습하면서 뉴런과 그 연결에 관련된 가중치와 편향을 조정합니다. 학습을 반복하거나 시간이 흐르면서 예측이나 분류를 개선하는 것이죠. 네트워크의 복잡성과 깊이는 해결하려는 문제에 따라 달라질 수 있습니다.

⏱ 04:31신경망의 핵심 구성 요소는 노드, 층, 연결입니다. 뉴런 또는 노드는 신경망의 기본 단위입니다. 입력을 받아 수학 연산을 적용하고 그 결과를 다음 층으로 전달하며, 다른 뉴런들과 연결되어 네트워크를 이룹니다. 층은 세 범주로 나뉩니다. 입력층은 수치, 이미지, 텍스트 같은 가공 전의 원시 데이터를 받는 첫 번째 층입니다. 은닉층은 네트워크가 데이터를 변환하는 중간층으로, 그 개수와 크기는 네트워크 설계에 따라 달라집니다. 마지막인 출력층은 분류 레이블이나 예측값처럼 네트워크의 최종 결과를 내놓습니다.

⏱ 05:29세 번째 구성 요소는 연결이며, 여기에 가중치와 편향이 관련됩니다. 뉴런 사이의 각 연결에는 가중치가 있어 전달되는 신호의 강도를 정합니다. 각 뉴런에는 편향이 더해져 활성화 함수의 출력을 이동시키며, 이로써 학습 과정이 더 유연해집니다. 뉴런 내부의 연산은 수학적으로 f(∑ᵢ wᵢxᵢ + b)로 나타낼 수 있습니다. 여기서 wᵢ는 가중치, xᵢ는 입력, b는 편향이고, f는 뉴런의 출력을 결정하는 활성화 함수입니다.

⏱ 06:09이제 f를 살펴보겠습니다. 우선 함수 안의 합을 보죠. x에 적용되는 연산에는 비선형 연산이 없습니다. 보이는 것은 선형 연산뿐입니다. 각 xᵢ에 가중치 wᵢ를 곱해 더하는 것이므로 ax + b와 같은 형태입니다. 그래서 활성화 함수를 사용합니다. 시그모이드 함수와 ReLU, 즉 정류 선형 단위(rectified linear unit) 같은 활성화 함수는 신경망에 비선형성을 도입하는 데 흔히 쓰입니다. 덕분에 신경망은 데이터에 있는 복잡한 패턴을 학습할 수 있습니다.

⏱ 06:46시그모이드 함수는 출력 범위가 0과 1 사이여서, 출력을 확률로 해석해야 할 때 자주 사용합니다. 반면 ReLU는 비선형성을 도입하면서도 계산 효율이 높습니다. 0을 기준으로 간단하게 임계 처리를 하기 때문입니다. 따라서 z가 0보다 작으면 해당 뉴런은 활성화되지 않습니다. 이제 특정 입력이 주어졌을 때 어떤 뉴런이 활성화되고 어떤 뉴런이 활성화되지 않는지를 조정함으로써, 신경망이 어떻게 복잡한 함수를 표현할 수 있는지 감이 오실지도 모르겠습니다.

⏱ 07:17지금까지 신경망이 무엇인지, 또 어떤 구조로 이루어져 있는지에 관한 기초를 살펴보았습니다. 지금은 이 개념들이 조금 추상적으로 느껴질 수도 있다는 점을 이해합니다. 다음 강의에서는 여러 종류의 신경망을 소개하고 구체적인 예시를 제시하겠습니다. 이를 통해 지금 설명한 개념을 더 명확하게 이해하고 실제와 연결할 수 있도록 하겠습니다.