[이기적] 인공신경망(ANN) 완벽 정리 (CNN · RNN · LSTM · GAN 핵심 이론)

1️⃣ 인공신경망(Artificial Neural Network, ANN)

✅ 개념

• 인간의 뇌 신경세포(뉴런) 구조를 모방한 머신러닝 모델
• 입력 데이터를 여러 층(layer)을 통해 학습하여 패턴을 발견하는 알고리즘

🔹 구성

• 입력층(Input Layer)
• 은닉층(Hidden Layer)
• 출력층(Output Layer)

🎯 포인트

• 뉴런 기반 학습 구조
• 비선형 문제 해결 가능
• 딥러닝의 기본 모델

---

✅ 특징

• 입력 데이터가 전달되면서 가중치(weight) 를 통해 계산 수행
• 활성화 함수(Activation Function)를 이용하여 출력값 생성
• 학습을 통해 가중치와 편향을 최적화

🔹 특징

• 비선형 문제 해결 가능
• 대규모 데이터 학습에 적합
• 복잡한 패턴 인식 가능

---

2️⃣ 인공신경망의 학습 원리

✅ 지도학습 / 비지도학습 / 강화학습

학습 방식	설명
지도학습	정답(label)이 있는 데이터를 이용한 학습
비지도학습	정답이 없는 데이터에서 패턴 발견
강화학습	보상을 통해 최적 행동 학습

🎯 포인트

• 지도학습 → 분류 / 회귀
• 비지도학습 → 군집 / 차원축소

---

3️⃣ 인공신경망 학습 과정

✅ 손실 함수(Loss Function)

• 신경망의 예측값과 실제값의 차이를 계산하는 함수

손실 함수	주요 사용
MSE (평균제곱오차)	회귀 문제에서 주로 사용
Cross Entropy (교차 엔트로피)	분류 문제에서 주로 사용

---

✅ 인공신경망 학습 알고리즘

알고리즘	설명
미니배치 (Mini-batch)	학습 데이터를 작은 단위로 나누어 학습
경사하강법 (Gradient Descent)	손실 함수를 최소화하는 방향으로 가중치를 반복적으로 업데이트하는 최적화 알고리즘
역전파 (Backpropagation)	출력층에서 계산된 오차를 입력층 방향으로 전달하여 가중치를 수정하는 학습 방법

🎯 포인트

• MSE → 회귀 문제
• Cross Entropy → 분류 문제
• 역전파 = 오차를 뒤로 전달
• 경사하강법으로 가중치 업데이트

---

4️⃣ 활성화 함수(Activation Function)

활성화 함수	특징	장점 / 문제점
Sigmoid (시그모이드)	출력 범위: 0 ~ 1 이진 분류 문제에서 사용	기울기 소실(Vanishing Gradient) 발생
ReLU (Rectified Linear Unit)	x > 0 → x x ≤ 0 → 0	계산 효율 높음 기울기 소실 문제 완화

🎯 포인트

• Sigmoid → 출력 범위 0~1
• ReLU → 딥러닝에서 가장 많이 사용

---

5️⃣ 과적합(Overfitting)

✅ 과적합 개념

• 학습 데이터에 과도하게 적합
• 새로운 데이터에서는 성능 저하

---

✅ 과적합 해결 방법

🔹 가중치 감소(Weight Decay)

• 모델 복잡도 감소

🔹 드롭아웃(Dropout)

• 일부 뉴런을 랜덤 제거하여 학습

🎯 포인트

• 과적합 방지 대표 방법
  → Regularization / Dropout

---

6️⃣ 딥러닝 모델 종류

딥러닝 모델	핵심 특징	주요 활용
CNN	• 이미지 처리에 특화된 신경망 • Convolution Layer / Pooling Layer   / Fully Connected Layer로 구성 • 이미지 특징 자동 추출	이미지 인식 컴퓨터 비전
RNN	• 순차 데이터를 처리하는 신경망 • 이전 상태 정보를 기억하는 순환 구조	자연어 처리 음성 인식 시계열 예측
LSTM	• RNN의 기울기 소실 문제 해결 • Gate 구조(Input / Forget / Output) • 장기 의존성 학습 가능	장기 시계열 데이터 분석
GRU	• LSTM을 단순화한 구조 • 계산량 감소	시계열 데이터 분석
Autoencoder	• Encoder / Decoder 구조 • 비지도 학습 모델	차원 축소 이상 탐지 데이터 압축
GAN	• Generator(가짜 데이터 생성)와   Discriminator(진짜/가짜 판별)가 경쟁하며 학습	이미지 생성 데이터 증강 스타일 변환

---

📊 시험 포인트 정리

🔥 ANN 구성 요소

• 입력층
• 은닉층
• 출력층

---

🔥 활성화 함수

• Sigmoid
• ReLU

---

🔥 손실 함수

• MSE
• Cross Entropy

---

🔥 학습 알고리즘

• 경사하강법
• 역전파

---

🔥 딥러닝 모델

모델	특징
CNN	이미지 처리
RNN	시계열 데이터
LSTM	RNN 개선
Autoencoder	차원 축소
GAN	데이터 생성

---

🔥 과적합 방지

• Weight Decay
• Dropout

---

📌 암기 핵심 요약

• CNN → 이미지
• RNN → 시계열
• LSTM → RNN 개선
• Autoencoder → 차원축소
• GAN → 데이터 생성

2026 이기적 빅데이터분석기사 필기 기본서
(저자: 나홍석, 배원성, 이건길, 이혜영 | 출판사: 영진닷컴)

※ 본 글은 위 교재를 참고하여 학습 목적으로 재정리한 내용입니다.