머신러닝13 퍼셉트론 완전 정복 (인공 뉴런, 가중치, 다층 퍼셉트론) 1958년, 프랑크 로젠블랫(Frank Rosenblatt)이 단 하나의 인공 뉴런 모델을 발표했을 때 아무도 이게 오늘날 GPT와 자율주행의 씨앗이 될 거라 몰랐습니다. 저도 처음 인공지능을 공부하면서 '퍼셉트론'이라는 단어를 마주쳤을 때 솔직히 그냥 옛날 이론 아닌가 싶었는데, 파고들수록 이게 딥러닝 전체를 관통하는 핵심 구조라는 걸 알게 됐습니다. 목차인공지능은 어떻게 세상을 감지하는가 — 환경 인식과 인공 뉴런단층의 한계와 다층 퍼셉트론으로의 진화 — 딥러닝의 탄생단층 vs 다층 — 무엇이 달라지는가자주 하는 질문 (FAQ)결론인공지능은 어떻게 세상을 감지하는가 — 환경 인식과 인공 뉴런인공지능이 주변을 '본다'는 게 어떤 의미인지 생각해보신 적 있으신가요? 사람은 눈으로 빛을 받아들이고 뇌가 해.. 2026. 8. 5. 인공 신경망 (딥러닝, 환경 인식, 강화학습) 컴퓨터가 고양이 사진을 보고 "이게 고양이야"라고 알아챌 수 있는 건, 누군가 "귀가 뾰족하면 고양이"라고 규칙을 써넣어서가 아닙니다. 처음 이 사실을 제대로 이해했을 때, 솔직히 이건 예상 밖이었습니다. 직접 관련 논문을 찾아보고, 간단한 실습 코드를 돌려보고 나서야 "아, 이게 그냥 통계 덩어리가 아니구나" 싶었거든요. 인공 신경망이 세상을 인식하고 행동을 결정하는 방식, 생각보다 훨씬 정교합니다.목차인공 신경망과 딥러닝 — AI가 세상을 '배우는' 방식환경 인식부터 강화학습까지 — AI가 판단하고 행동하는 과정인공 신경망과 환경 인식에 대해 자주 하는 질문 (FAQ)결론: 인간과 협력하는 인공지능의 미래인공 신경망과 딥러닝 — AI가 세상을 '배우는' 방식인간의 뇌에는 약 860억 개의 뉴런이 있고.. 2026. 8. 3. 머신러닝 작동 원리 (환경 인식, 지도 학습, 강화 학습) 스마트폰 카메라로 사진을 찍으면 피사체가 자동으로 인식되고, 내비게이션은 실시간 교통 상황을 반영해 경로를 바꿉니다. 저도 처음엔 "그냥 잘 만든 프로그램 아닐까?" 하고 넘어갔는데, 직접 머신러닝 개념을 파고들어 보니 이건 단순한 코딩 수준이 아니었습니다. 인공지능이 세상을 읽는 방식, 생각보다 훨씬 체계적입니다. 목차AI는 어떻게 주변 환경을 인식하는가머신러닝이 데이터를 학습하는 원리지도 학습, 비지도 학습, 강화 학습의 차이머신러닝 기반 인공지능에 대해 자주 하는 질문 (FAQ)결론: 인간과 협력하는 인공지능의 미래AI는 어떻게 주변 환경을 인식하는가인공지능이 환경을 인식하는 방식을 처음 접했을 때, 솔직히 이건 예상 밖이었습니다. 단순히 카메라 하나로 세상을 보는 게 아니라, 여러 종류의 센서가 .. 2026. 7. 29. 영화·게임 속 AI vs 현실 (강인공지능, 규칙기반, 딥러닝) 솔직히 저는 터미네이터를 처음 봤을 때, 저게 곧 현실이 되는 줄 알았습니다. 스카이넷이 인류를 상대로 전쟁을 선포하는 장면이 꽤 설득력 있게 느껴졌거든요. 그런데 막상 AI를 공부하고 직접 써보기 시작하면서 생각이 완전히 바뀌었습니다. 영화·게임 속 AI와 현실의 AI는 이름만 같을 뿐, 작동 원리부터 목적까지 전혀 다른 기술입니다. 이 글에서는 그 차이를 제가 이해한 방식으로 풀어보겠습니다.목차영화 속 강인공지능, 우리가 착각하는 이유게임 AI가 똑똑해 보이는 진짜 이유 — 규칙기반 시스템의 정체딥러닝이 실제로 세상을 읽는 방식 — 센싱부터 행동까지인공지능 기술에 대해 자주 하는 질문 (FAQ)결론: 인간을 돕는 도구로서의 인공지능과 미래의 방향성영화 속 강인공지능, 우리가 착각하는 이유제가 처음 C.. 2026. 7. 28. AI 개발, 왜 사람이 필요한가 (데이터 레이블링, 편향성 제거, 페일 세이프) AI가 스스로 다 알아서 한다고 생각하셨습니까? 저도 처음엔 그렇게 믿었습니다. 그런데 직접 AI 관련 프로젝트에 발을 담가보니, 모델 뒤에서 사람이 얼마나 많은 일을 하고 있는지 보고 솔직히 적잖이 놀랐습니다. 데이터를 고르고, 기준을 세우고, 오류를 잡아내는 모든 단계에 사람의 손이 들어가 있었습니다. AI 개발에서 인간이 왜 여전히 핵심인지, 제가 겪은 이야기를 바탕으로 풀어보겠습니다.데이터 레이블링, 생각보다 훨씬 사람 냄새 나는 작업이었습니다AI가 제대로 작동하려면 먼저 고품질의 학습 데이터가 필요합니다. 그런데 인터넷이나 센서에서 긁어 모은 원시 데이터(Raw Data)는 바로 쓸 수 있는 상태가 아닙니다. 원시 데이터란 아직 아무런 가공도 거치지 않은, 말 그대로 날것의 데이터를 말합니다. .. 2026. 7. 27. AI가 세상을 배우는 법 머신러닝 강화학습 원리 알파고가 이세돌 9단을 꺾었을 때, 저는 솔직히 "운이 좋았겠지"라고 생각했습니다. 그런데 알고 보니 그 승리의 배경엔 수천만 번의 자가 대국과 보상 신호만으로 스스로 규칙을 터득한 강화학습(Reinforcement Learning)이 있었습니다. 여기서 강화학습이란 정답 데이터 없이 시행착오의 결과로 주어지는 보상만을 단서 삼아 최적의 행동 방침을 스스로 만들어가는 머신러닝 기법을 말합니다. 이 글은 그 원리를 직접 공부하고 실제 사례와 비교 검증하면서 정리한 기록입니다.목차AI의 눈과 귀, 센서 기술이 전부를 결정한다강화학습의 작동 원리, 이론과 실제는 조금 달랐습니다알파고부터 추천 알고리즘까지, 이미 일상에 들어와 있습니다보상 해킹과 지연 보상, 강화학습의 진짜 한계인공지능과 강화학습에 대해 자주 .. 2026. 7. 25. 이전 1 2 3 다음
