딥러닝 특강 1일차

cnn - 오브젝트 디텍션. 세그멘트 디텍션?

1. 인공지능.
- 인간처럼 사고하는 기계를 만들기 위한 것.

57년때 퍼셉트론으로 황금기를 겪고, 
퍼셉트론의 한계 _XOR 문제로 겨울을 맞음. 
Backpropagation 
vanishingGradient 문제로 2차 겨울
Deep Neural network로 다시 부흥기.

엑티베이션 펑션으로 정보를 넘길지 말지 정함.
(Activation function)

퍼셉트론 -> 딥러닝

딥러닝 3대장
1) 제프리 힌튼
2) 얀르쿤 cnn고안
3) 요슈아 벤지오는 gan 고안 


2. 딥러닝(약 인공지능)

딥러닝의 개요. 데이터 기반 문제 해결 기법. 
데이터 -> 함수(f) -> 답.
-머신러닝은 f를 찾는 기술. ex) MLP, CNN, RNN
딥러닝 : 러닝 알고리즘을 신경망 구조를 이용하여 함수를 구성.

y = 0  (w1x1 + w2x2 <= 엑티베이션 펑션)
  = 1  (w1x1 + w2x2 > 엑티베이션 펑션)


단일 신경망으로는 xor연산 불가능.
은닉층의 등장으로 해결할 수 있다. 

2_1
- cnn(Convolutional Neural Networks)
    :주로 영상을 다루는데 많이 사용하는 딥러닝 네트워크
    -Convolution 연산.
    -filter :  이미지 처리에서 이미지의 특징을 뽑기 위해 사용하는 mask    (+opencv) / 그림의 테두리, 노이즈를 뽑을 수 있다. 
    -영상 분류 문제, 물체인식, 얼굴 인식등에 많이 사용. 


-rnn (Recurrent Neural Networks) 순환형 구조,
실시간으로 변하는 데이터의 동적 특징을 예측하기 위해 만들어진 네트워크로, 네트워크가 순환적인 구조를가짐. 음성문장 분석
    = LSTM (Long Short-Term Memory) 
   텍스트 의미 분석, 감성 분석

   자연어처리 (NLP, Natural Language Processing)
Attention,Transformer 등장으로 Rnn대신 자연어처리함. 


3. 딥러닝 장단점.