[딥러닝] 인공신경망 (Artificial Neural Networks, ANN)

 

인공신경망 (Artificial Neural Networks, ANN)은 인간의 뇌 신경망에서 영감을 받아 개발된 기계 학습 모델입니다.

쉽게 말해 인간이 뭔가를 배우고 기억하는 방식과 비슷하게 컴퓨터도 무언가를 학습할 수 있도록 만든 알고리즘입니다.

인공신경망은 컴퓨터 비전(YOLO, CNN 기반 모델로 이미지 인식, 객체 탐지)분야, 자연어 처리(RNN, LSTM, Transformers 기반 모델로 번역, 감성 분석, 챗봇)분야, 의료 진단(질병 예측, 의료 영상 분석)분야, 추천 시스템(사용자 선호도 분석 및 맞춤형 추천)분야, 자율 주행(환경 인식 및 경로 계획)등 다양한 분야에서 활용되고 있습니다.

 

🤔 왜 '인공신경망'이라고 불릴까?

인공신경망이라는 이름이 붙은 이유는 인간의 뇌가 작동하는 방식을 모방했기 때문입니다. 사람의 뇌는 뉴런이라는 작은 신경세포들이 연결되어 정보를 전달하고 처리합니다. 이를 수학적으로 모델링하여 만든 것이 인공신경망이며 기본적으로 다층 뉴런 구조를 통해 정보를 가공하고 학습합니다. 즉, 뇌의 신경망처럼 작동하기 때문에 '인공신경망'이라는 이름이 붙었습니다.

 

🔍 인공신경망의 기본 구조

인공신경망(Artificial Neural Network, ANN)은 뉴런(노드)과 이들을 연결하는 선(가중치, Weights) 전체를 포함한 개념입니다. 더 쉽게 말하면 Hidden층 + 연결선 전체가 인공신경망이라고 볼 수 있습니다.

 

• 노드(원형 부분) -입력층(Input), 은닉층(Hidden), 출력층(Output)에 위치한 개별 뉴런(Neuron)
• 연결선(화살표) - 뉴런 간의 연결을 나타내며 각 연결에는 학습을 통해 조정되는 가중치(Weights)가 존재

 

 

🟢 입력층(Input Layer)

      데이터를 입력받는 층으로 특징(Feature) 값이 각 뉴런에 전달됨

🔵 은닉층(Hidden Layers)

      입력층에서 받은 정보를 가공하고 패턴을 학습하는 층으로 신경망의 성능을 결정짓는 중요한 요소

🔴 출력층(Output Layer)

      최종 결과를 출력하는 층으로 예측값을 생성

 

각 뉴런은 활성화 함수(Activation Function)를 통해 입력 신호를 비선형적으로 변환하며 대표적인 활성화 함수로는 ReLU(Rectified Linear Unit), Sigmoid, Tanh 등이 있습니다.

 

 

📚 인공신경망의 학습 과정

🔄 순전파(Forward Propagation)

      입력 데이터를 전달하면서 각 뉴런의 가중치(Weight)와 편향(Bias)을 활용해 연산을 수행하고 최종 출력값을 도출함

📉 손실 계산(Loss Calculation)

      출력값과 실제 정답(레이블) 간의 차이를 손실 함수(Loss Function)를 이용하여 계산함

🔁 역전파(Backpropagation)

      손실을 줄이기 위해 가중치와 편향을 조정하는 과정으로 기울기(Gradient) 계산을 통해 최적의 값으로 업데이트함

⚙️ 최적화(Optimization)

      경사 하강법(Gradient Descent) 또는 Adam Optimizer와 같은 알고리즘을 사용하여 신경망이 점점 더 정확한 예측을 할 수 있도록 학습진행