Week 7은 신경망의 기초(Day1) → CNN(Day2) → RNN/시퀀스·Transformer(Day3) → 학습 기법·전이학습(Day4)로 이어졌다. 오늘은 이 흐름을 한 장의 의사결정 지도로 묶고, 시험에서 딥러닝 문제를 만났을 때 빠르게 정답을 좁히는 사고 틀을 정리한다.
데이터 형태로 구조 선택
├─ 정형/표 데이터 → 보통 XGBoost가 우선, DNN은 보조
├─ 이미지/영상 → CNN (ResNet/SSD/U-Net)
├─ 시퀀스(시계열·텍스트) → RNN/LSTM/GRU, 또는 Transformer
└─ 대규모 언어/생성 → Transformer (BERT/GPT/T5)
과제 유형으로 출력·손실 선택
├─ 회귀 → 선형 출력 + MSE/MAE
├─ 이진분류 → Sigmoid + BCE
└─ 다중분류 → Softmax + 범주형 교차 엔트로피💡 관련 이론: 딥러닝이 항상 정답은 아니다. 정형 표 데이터에서는 XGBoost 같은 트리 앙상블이 적은 데이터·짧은 학습으로 더 좋은 경우가 많다. 딥러닝은 비정형 데이터(이미지·텍스트·음성)와 데이터가 풍부할 때 진가를 발휘한다. 시험 지문이 "표 형태의 적은 데이터"면 굳이 신경망을 고르지 않는 신중함이 필요하다.