Day 5 - Week 7 Synthesis: Deep Learning Summary

📌 핵심 정리

• 데이터 형태가 구조를 정한다: 표=트리 앙상블, 이미지=CNN, 시퀀스=RNN/LSTM/GRU 또는 Transformer.
• 과제 유형이 출력층과 손실을 정한다: 회귀=선형+MSE, 이진=Sigmoid+BCE, 다중=Softmax+교차 엔트로피.
• 딥러닝이 항상 정답은 아니다. 소량 정형 데이터에서는 XGBoost가 보통 더 낫다.
• 학습 곡선 증상만 보고 처방을 즉시 꺼낼 수 있어야 한다(발산=학습률↓, 과적합=정규화, 과소적합=용량↑).
• 데이터가 적다는 단서가 보이면 답은 구조 확대가 아니라 전이학습 + 데이터 증강이다.

Week 7 한 장 지도

Week 7은 신경망 기초(Day 1) → CNN(Day 2) → RNN·시퀀스와 Transformer(Day 3) → 학습 기법과 전이학습(Day 4)으로 진행했다. 오늘은 이 흐름을 하나의 결정 지도로 묶고, 시험에서 딥러닝 문제를 만났을 때 빠르게 답을 좁히는 사고 틀을 세운다.

데이터 형태로 구조 선택
  ├─ 정형/표 데이터        → 보통 XGBoost 먼저, DNN은 차선
  ├─ 이미지/영상           → CNN (ResNet/SSD/U-Net)
  ├─ 시퀀스(시계열, 텍스트) → RNN/LSTM/GRU, 또는 Transformer
  └─ 대규모 언어/생성      → Transformer (BERT/GPT/T5)