Disqus for deduction-theory

완전쉬운 딥러닝 동영상 원고





챕터 1


안녕하세요. 제 이름은 이기준이에요. 저는 미국에서 Deduction Theory, LLC라는 소프트웨어 스타트업을 운영하고 있어요. 저는 제 동생 이기환님과 함께 일해요.


저는 미국인 아내와 결혼하고 미국과 한국을 오가면서 살고 있어요. 자녀가 세 명이에요.


제가 최근에 딥러닝을 공부하면서 정리를 했어요. "딥러닝은 어떻게 해서 작동하는 걸까?" 저 같은 경우에는 머신러닝 전공자가 아니에요. 그래서 다른 관점에서 접근을 하게 되었어요. 제가 사용한 것은 논리에요. 논리에서 참과 거짓을 가리는 방법이 있어요. 논증을 한다고 하죠. 그래서 딥러닝을 사람이 하는 말로 설명하면 어떤 형태의 문장구조, 구문구조가 될까? 그리고 형이상 논리의 관점에서는 이것이 어떻게 보일까 하는 것을 보여 드리려고 이 강의를 준비하게 되었어요.


저희는 처음에 딥러닝 소프트웨어가 어떻게 작동하는지 알고 싶어서 이미 나와있는 논문들을 읽어 보았어요. 오픈소스로 공개되어 있는 코드를 다운로드 받아서 실행시켜 보고, 옵션 값을 바꾸어 보고 그렇게 실험을 하면서 시작을 했어요. 아마 딥러닝 공부하는 다른 분들도 다들 그렇게 시작했을 거에요.


그런데 그것만으로는 배후의 정보처리 과정이 이해가 안되더라구요. 그래서 저는 소스가 공개되어 있는 딥러닝 퍼셉트론 코드를 받아서 그것을 다른 언어로 포팅을 해보았어요. C++로 된 소스를 줄리아 언어로 포팅을 해보았죠. 그 과정에서 퍼셉트론이라는 한 개체가, 우리는 이걸 정보구조체라고 부르는데요. 그 개체가 정보를 입력받아서 어떻게 아웃풋까지 정보처리를 해나가는지, 그 흐름을 하나의 스토리로 만들어 보았어요.


챕터 2


왼쪽편이 싱글 퍼셉트론이구요. 오른쪽이 다층 퍼셉트론이에요. 이 둘의 차이점은 퍼셉트론을 여러 개의 층, 다층 레이어로 사용하는 것이에요. 딥러닝도 다층 퍼셉트론이에요.


퍼셉트론은 정보가 들어오면 그것을 의도적으로 왜곡해요.


보세요. 여기 영화 한 편이 있어요. 이 영화에 대해서 라벨링을 했어요. 라벨링을 하나는 "재미가 있는 영화다. 꿀잼영화다.", 꿀잼이라는 말은 재미가 있다는 뜻이구요. 요즘 유행하는 말이예요. 그렇게 "꿀잼 영화다."라는 라벨링을  했어요. 인풋2에는 "재미가 없는 영화다. 노잼 영화다." 이런 라벨링을 했어요.


그런데 퍼셉트론은 이렇게 정보가 들어오면 왜곡을 하기 시작해요. 정보가 들어오는 통로에 저는 이렇게 "통로관점"이라는 이름을 붙였어요.

이것은 제가 전체 스토리를 설명하기 위해서 만들어 낸 이름이에요. 학계에서 인정받은 다수설은 아니구요. 저는 똑똑해 보이고 싶어서 일부러 이런 말을 지어낸 건 아니에요. 이 세상에 아직 저처럼 설명하는 사람이 없었기 때문에 제가 말을 만들어 내야만 했던 거죠. 설명을 하려고 만든 단어니까 그렇게 이해해 주세요.

그래서 "통로관점1"은 들어온 정보를 상대적으로 긍정해요. 긍정한다는 말은 상대적으로 가중치를 높게 준다는 거죠. "통로관점2"는 상대적으로 부정해요. 이 말은 상대적으로 가중치를 낮게 준다는 거예요. 그런데 이게 무슨 의미일까요? 이것은 들어 오는 정보를 왜곡한다는 거죠. 그러니까 왜곡을 하는게 퍼셉트론의 본질이라는 거에요. 이것이 퍼셉트론의 기본적인 정보처리 방법이라는 거죠.

그래서 퍼셉트론은 반드시 정보를 왜곡해요. 이것이 지금까지 연구하는 사람들을 굉장히 당혹하게 했어요. 왜냐하면 지금까지 연구하시는 분들은 왜곡을 줄이려는 노력을 했거든요. 딥러닝 이전에 머신러닝을 연구하는 분들은 왜곡을 줄이는 연구를 굉장히 많이 했기 때문에 이렇게 왜곡을 대놓고 하는 퍼셉트론을 봤을 때 당혹스러운 거예요. 그래서 퍼셉트론에 대한 이론적인 배경이 제대로 규명되지 않고 미지의 영역이라는 뜻인 블랙박스 가설이라고 불렸어요.


블랙박스 가설이란 그 안에서 무슨 일이 일어나는지 알 수가 없다는 거예요. 그런데 지금 저는 그 블랙박스 모델의 내부에서 어떤 일이 일어나는지 설명해서 보여 드리는 거예요. 블랙박스 모델을 세계최초로 풀이하는 거죠.


이 그림에서 퍼셉트론은 통로관점을 두개 가지고 있네요. 통로는 여러 개 가질 수도 있어요. 그런데 제가 일부러 이 모델에서는 통로를 두 개로 만들었어요. 이해하기 쉽게 하려구요.

그래서 퍼셉트론 개체에 정보가 들어왔어요 "꿀잼 영화다."라는 정보가 "통로관점1"에 들어오니까 어떻게 됐어요? 꿀잼 영화라는 정보를 상대적으로 긍정하면 꿀잼이 강화되겠죠. 상대적으로 더욱 꿀잼이 되는 거에요. 다르게 말하면 꿀잼이라는 의견이 인정을 받은 거죠.

그런데 "노잼 영화"라는 의견이 들어오는 "통로관점2"를 보세요. 정보가 상대적으로 가중치를 덜 주는, 부정하는 통로로 들어왔어요. 그러면 노잼은 상대적으로 불인정, 덜 인정하는 것이 되는 거에요. 그래서 결론인 아웃풋은 꿀잼 확률이 높아지는 것으로 나왔어요.


여기서 딥러닝의 또다른 특징이 나오네요. 들어오는 정보는 결과정보였어요. 결과정보라는 말은 제가 연구하는 연역론에서 만들어 낸 말이예요. 결과정보라는 말은 우리가 컴퓨터 과학에서 말하는 데이터에요. 정보처리 과정을 거친 결과물이라는 뜻이죠. 그런데 인풋은 결과물인 데이터가 들어왔는데 아웃풋은 데이터로 나오지 않았어요. 아웃풋은 데이터가 아니라 확률값으로 나왔어요. 그래서 저는 여기에다 이름을 붙였어요. "확률적 결과정보"라구요. 그러니까 A일 확률 몇 퍼센트 인것이지 절대적인 A가 아웃풋으로 나오는 것이 아니라는 거죠. 이것이 논리적으로 굉장히 큰 특징이예요.


챕터 3


옛날에 우리가 통계학, 빅데이터, 머신러닝이라고 부르는 분야에서는 데이터가 있을 때 연구자가 문제를 해결하는 방식을 프로그램에게 절대적으로 제시해 주었어요. 쉽게 말해서 연구자가 프로그램에게는 절대자가 되는 거예요. 연구자가 프로그램에게 "이 방식으로 정보처리를 해라."하고 제시를 하는 거죠. 프로그램이라는 정보구조체가 연구자로부터 절대적인 규칙을 입력받아서 아웃풋을 뽑아냈어요. 여기서 정보구조체는 컴퓨터 프로그램을 뜻하는 거예요.

이 방식이 전통적인 방식이었고 그렇게 오랫동안 사용해 왔어요. 그런데 이 방법에는 현실세계에서 문제해결능력이 일정 수준을 넘어가지 못했다는 단점이 있었어요. 학술적으로 말하면 결정론적 세계관의 한계라고 해요. 결정론이란 말은 이 세상의 모양과 원리가 결과적으로 정해져 있어서, 과학자는 이 정해진 모습을 구체적인 함수로 알아내면 되는거야, 하는 의견이에요. 이 결정론은 지금까지 많은 문제를 해결해 왔어요. 그러나 해결 못하는 부분도 상당히 많았어요. 이것은 현대 과학자들이 다 인정하고 있는 부분이에요.

그러나 이렇게 그림의 오른쪽에 있는 딥러닝을 보면 연구자가 절대적인 규칙을 주지 않아요. 연구자가 라벨링을 하고 지도를 하기는 해요. 그러나 딥러닝은 과거의 방법과 비교하면 크게 다른 특징이 있어요. 딥러닝은 정보구조체 프로그램 자신이 규칙을 찾아보도록 과정을 열어 주어요. 자기가 알아서 할 수 있게끔 해줘요. 이제 그 부분이 어떻게 작동하는지 설명해 볼께요.


이건 잘 알려진 퍼셉트론의 과학적인 도식과 수식이죠.
이 수학식이 제가 말한 스토리로 어떻게 전개되는지 설명을 해드릴게요.


이제부터 다층 퍼셉트론을 설명할 거에요. 인풋은 아까와 똑같아요. 영화가 하나 있고 그 영화에 대한 "꿀잼 영화다.", "노잼 영화다." 라는 의견이 있었어요. 이게 라벨링 정보에요. 실제로 우리가 넷플릭스 같은 서비스를 봐도 영화에 대해서 사람들이 점수를 매기잖아요, 영화에 대해서 의견을 표현하고 선호도를 표현하는 것이 여기서 말하는 라벨링한 결과정보가 되는거죠. 이제 라벨링한 결과정보가 들어오는 통로에 따라서 통로관점에 매겨진 가중치 때문에 왜곡되기 시작해요. 그것이 퍼셉트론이 정보처리를 하는 아주 기본적인 방식이예요.

그러면 이제 질문을 해볼게요. 아니, 정보 왜곡(distorting)을 한다는데, 왜곡을 반복해서 하고 다층으로 왜곡을 한다는데 어떻게 신뢰할 수 있는 아웃풋이 나올 수 있나요? 그러면 정보 엔트로피의 법칙 때문에 혼란이 가중되어야 되는게 아닐까요? 이것이 퍼셉트론을 연구했던 사람들이 가졌던 의문이었어요. 제가 이 강의에서 설명해 드리려고 하는 것도 이 부분이에요. 어떻게 해서 이 방법으로 문제해결이 가능한지, 블랙박스 모델의 내부가 어떻게 작동하는지 설명하는 거죠.

인풋이 들어왔어요. 퍼셉트론으로 들어가면 상대적으로 긍정하는 통로, 상대적으로 부정하는 통로가 있었어요. 그러면 다층 구조에서는 퍼셉트론마다 아웃풋의 중간 결과가 나와요. 비교적 꿀잼, 비교적 노잼. 그리고 뒤에 두 번째 단계의 출력 퍼셉트론 개체가 다시 한 번 더 판정해요. 긍정, 부정, 그리고 이제 노잼은 부정하고 꿀잼을 긍정함으로써 결국에는 꿀잼 쪽으로 확률을 많이 모으게 되었어요. 가중치를 많이 모으게 되었어요. 그래서 최종적인 확률이 나왔어요.


최종적으로 확률이 나왔다는 것은 알겠어요. 그런데 여기까지만 보면 이걸로 무슨 정확도가 높은 정보처리를 할 수 있겠느냐 하는 의문이 나오거든요. 이것이 바로 로젠블라트가 처음 퍼셉트론을 만들고 나서 수십 년 동안 가지고 있었던 문제였던 거죠. 로젠블라트는 인간의 시냅스를 관찰해서 그것을 시뮬레이션으로 구현을 한 것이었거든요. 로젠블라트도 이것이 앞으로 어떻게 이어질지 다 알고 있지 않았어요. 그런데 이 모호한, 왜곡에 왜곡을 중첩하는 이 프로그램에 특이한 방법을 더하면서 갑자기 정확도가 확 높아지기 시작했어요.


챕터 4


현실을 데이터로 만들어서 입력을 했어요. 그 데이터를 왜곡하고, 벡터계산으로 형식을 제거하고, 데이터들이 가진 "관계"를 유사복제했어요. 저는 여기서 정보를 왜곡하는 것을 "유사복제"라고 불러요. 왜냐하면 정확한 복제를 하는 경우에는 똑같은게 나와야 하잖아요. 그런데 퍼셉트론에서는 왜곡을 하기 때문에 유사한 정보가 나와요. 그러니까 유사한 복제가 이루어진다고 설명하는 거예요. 그래서 유사복제라고 하구요.

그렇게 유사복제한 정보들에서 닮은 점과 다른 점을 찾아내요. 이것도 제가 만들어 낸 개념인데요. 정보의 닮은 점과 다른점을 찾아내서 유추하고 추론하는 작업을 하는 거에요. 그것을 저는 "정보 동조관계와 비대칭성을 추론한다."라고 하는데요. 그렇게 해서 만들어진 정보 동조관계와 비대칭성을 가지고 다음 판단을 해나가는 것이 퍼셉트론의 정보처리 특징인 거죠. 그래서 최종적으로는 확률적인 결과정보가 나오게 되요.


이런 문제해결방식을 플라톤의 이데아설과 비교해 볼게요. 플라톤은 "우리가 동굴 속에서 사슬에 묶인 채로 그림자를 바라보고 있다."는 비유를 했어요. 이 말은 우리가 진짜 현실을 모른다는 뜻이예요. 진실은 베일에 가려져 있어요. 왜냐하면 우리는 그림자만 볼 수 있거든요. 제가 말한 그림자가 바로 결과정보예요. 무슨 일이 일어났는데, 그것의 원인을 우리는 알 수가 없다는 말이에요. 그런데 우리는 현실의 결과물인 데이터는 볼 수 있다는 거에요.

그런데 이 결과정보, 그림자, 데이터를 절대적인 원인으로 받아들이고 문제해결에 사용하려고 했던것이 전통적인 통계, 빅데이터, 머신러닝의 관점이였던 거에요. 그리고 그림자가 현실이라고 착각했기 때문에 오류가 일어나게 되었던 거죠. 그런데 "그림자는 그림자일 뿐이다."라고 인정할 경우 특별한 통찰을 얻을 수 있어요. 그게 바로 제가 주장하는 연역론이에요.


이것은 디지털카메라의 구조에요. 현실에서 빛 정보를 수집하고 과정을 거쳐서 사진파일이라는 데이터로 만들었네요. 이것을 보면 알 수 있어요. 현실을 정보처리 과정을 통해서 데이터로 만드는 거지, 데이터가 곧 현실인 것은 아니거든요. 그런데 결정론적 관점과 과거 재래식 학계에서는 이 데이터를 절대적인 판단의 근거로 삼으려고 했단 말이에요. 그래서 오류가 일어났던 것이구요.


마찬가지로 사람의 경우에도 현실을 경험하고 감각기관과 뇌를 사용해서 그것을 결과정보로 만들어요. 우리 뇌 속에서 일어나는 정보처리 결과물은 "인지, 기억, 상상"인데요. 이것 역시 결과물에 해당한다는 거에요. 그래서 인지, 기억, 상상은 전부 다 만들어진 결과물이에요.

차이점은 인지와 기억은 해당 정보를 현실이라고 믿는 것이고 해당 정보가 현실이 아니라고 믿는 것을 상상이라고 하는 거에요. 이것이 라벨링과 똑같은 활동이에요. 라벨링을 어떻게 하느냐에 따라서 우리가 어떤 것은 기억이라고 생각하고 어떤 것은 상상이라고 생각한다는 거죠. 그렇기 때문에 인간은 잘 속아요.


인간은 감각의 왜곡 때문에 마술에 속아 넘어가구요. 기억과 상상의 왜곡 때문에 광고와 선동에 설득당하고 넘어가죠. 사람이 가진 고정관념과 인지편향이라는 말이 이런 왜곡을 나타내는 말이에요. 그런데도 동시에 인간은 창의적인 생각과 판단을 하죠. 그게 인간의 특별한 능력이에요. 인간은 완벽하지 않아요. 인간은 경험한 것을 완벽하게 기억하지 못하고 왜곡과 변조가 일어나요. 그런데도 인간은 통찰력을 가지고 판단을 한단 말이에요. 이제 이 판단과 통찰이 딥러닝에서는 어떻게 이루어지는지 제가 설명을 해보겠어요.

챕터 5


통로관점에 가중치를 다르게 주어서 상대적인 긍정과 부정 이런 방식으로 정보를 왜곡하고 최종적으로 확률적 결과정보를 만든다는 것까지는 설명했어요. 그런데 이것으로 어떻게 정확한 판단을 할 수 있느냐? 이제부터 이 마술같은 부분을 설명하겠어요. 딥러닝에 학습을 시키는 방법으로 백프로퍼게이션이라는 것이 있어요.

연구자가 이런 제안을 했어요. "나는 이 영화에 대해서 노잼이라고 생각해. 네가 가진 모든 퍼셉트론이 나의 이 의견을 지지해 주었으면 좋겠어." 라고 한 거에요. 세부적으로는 "노잼 확률 60%"가 나오도록 모든 퍼셉트론이 통로관점의 가중치를 조정해달라는 지시가 들어가는 거에요.

아까 전에는 "꿀잼 확률 80%" 이렇게 나왔단 말이예요. 그런데 연구자가 "아니야. 나는 꿀잼이라고 생각 안 해. 내가 노잼이라고 했으니까 네가 정보처리 과정을 노잼이 나오도록 좀 바꾸어줘." 라고 지시를 한 것이 백프로퍼게이션이에요.  그림에서 오렌지 색으로 바뀐 부분이 있죠? 이 부분이 전부 다 연구자의 지시를 받고 바뀐 곳이에요. 어떻게 바뀌었을까요? 통로관점1이 처음에는 긍정이였거든요. 그런데 많은 긍정에서 적은 긍정으로 가중치 값을 조정해 주었어요. 왜 조정해 주었을까요? 아웃풋이 노잼으로 나오게 바꾸어 달라는 지시를 받았기 때문이예요. 그래서 아웃풋이 노잼이 되는데 방해가 되었던 곳을 찾아내서 다 바꾸어 주었어요. 이것이 백프로퍼게이션에서 일어나는 정보처리 과정이에요.

이렇게 아웃풋에서부터 역방향으로 훑어 나가는 것이 백프로퍼게이션이예요. 그래서 우리말로 역전파라고 하구요. 그렇게 하면 무엇이 달라질까요? 연구자의 사고방식을 모방한 퍼셉트론 프로그램이 나오게 되는 거예요.


이게 무슨말이냐 하면 연구자의 뇌 속에서 무슨 일이 일어나는지 퍼셉트론 프로그램은 정확하게 다 모르고 있었다는 말이예요. 제가 아까 플라톤의 동굴을 보여 드렸잖아요. 여기서 정보처리 과정에 해당하는 부분이 가려져 있었어요. 그런데 백프로퍼게이션을 하면 이 가려진 부분을 퍼셉트론이 유사하게 복원해 내는 거에요.

퍼셉트론은 제가 지금까지 말했다시피 왜곡을 기반으로 해요. 왜곡이 판단의 근거예요. 그런데 백프로퍼게이션을 하면 연구자가 원하는 방식의 왜곡을 해준다는 거예요. 연구자가 원하는 아웃풋의 방향을 지시하고, 백프로퍼게이션으로 통로 가중치를 수정하게 해서 연구자의 사고방식, 그러니까 우리가 볼 수 없었던 정보처리 과정을 퍼셉트론이 흉내내서 만들어 내는 거죠. 그게 지금까지 나온 적이 없었던 방법이에요. 그리고 이것을 논리 과정으로 설명한 것은 제가 이번에 처음이구요.


챕터 6


이번에는 퍼셉트론의 문제해결 능력을 증명하는 예로 자주 거론되는 XOR 문제가 어떻게 해결되는지 설명해 볼게요.

XOR 논리식의 첫째 단계예요. 인풋1이 노잼, 인풋2도 노잼이에요.
"숨은 레이어"의 "퍼셉트론1"은 인풋1, 인풋2의 입력을 약간 부정하는 통로관점을 가지고 있었어요. 그래서 "잘 모르겠음."이라고 출력했어요.

숨은 레이어의 퍼셉트론2는 인풋1, 인풋2의 입력을 약간 긍정하는 통로관점을 가지고 있어요. 그래서 노잼을 출력했어요.

"출력 레이어"의 퍼셉트론은 퍼셉트론1의 입력에 대해서는 크게 반전하고, 퍼셉트론2의 입력에 대해서는 약간 긍정하는 통로관점을 가지고 있었어요. "통로관점1은 잘 모르겠다고 하고 통로관점2는 노잼 영화라고 한다."라는 말이 이 과정을 표현한 것이에요. 그래서 최종적으로는 노잼을 출력했어요. 논리 도식표를 보면 수학적으로 같은 정보처리가 일어난 것을 알 수 있어요.


XOR 논리식의 둘째 단계에요. 인풋1이 노잼, 인풋2가 꿀잼이에요. 신경망은 이미 학습을 마친 상태이기 때문에 각 퍼셉트론의 가중치는 같은 상태로 유지되었어요.

숨은 레이어의 퍼셉트론1은 약간 노잼을 출력했어요. 퍼셉트론2는 약간 꿀잼을 출력했어요. 출력 레이어는 "통로관점1이 약노잼이라고 하니 믿지 말고 반대로 약꿀잼이라고 생각하자. 통로관점2가 약꿀잼이라고 한다."라고 정보처리를 했어요. 퍼셉트론이 입력을 왜곡하고 판정하는 과정을 표현했네요. 그래서 최종적으로는 꿀잼을 출력했어요. 논리도식표를 확인하시구요.


XOR 논리식의 셋째 단계에요. 인풋1이 꿀잼, 인풋2가 노잼이에요. .
숨은 레이어의 퍼셉트론1은 약간 노잼을 출력했어요. 퍼셉트론2는 약간 꿀잼을 출력했어요.
출력 레이어의 퍼셉트론은 꿀잼을 출력했어요.
논리도식표를 보세요.

XOR 논리식의 넷째 단계에요. 인풋1이 꿀잼, 인풋2도 꿀잼이에요.
숨은 레이어의 퍼셉트론1은 약간 꿀잼을 출력했어요. 퍼셉트론2도 꿀잼을 출력했어요.
출력 레이어는 "통로관점1이 약꿀잼이라고 했지만 절대 믿을 수 없다. 통로관점2가 꿀잼이라고 해도 통로관점1을 이길 수 없다."라고 정보처리를 했어요. 퍼셉트론이 입력을 왜곡해서 판정하는 과정을 표현했어요. 그래서 최종적으로 노잼을 출력했어요. 이것도 역시 논리도식표를 확인할게요.


이 XOR 논리판정은 수학으로 표현해도 똑같은 패턴을 가지고 있어요. 저는 이것을 사람이 이해할 수 있는 언어 논리로 표현한 거죠.


챕터 7


이렇게 퍼셉트론에서 일어나는 정보처리 과정을 논리로 풀이해 보면 수학 문법만 가지고 생각할 때와는 다른 차원의 정보처리 과정을 발견할 수 있어요. 이것이 바로 제가 연구하는 "연역론"이에요. 위 그림은 연역론에서 정보구조체와 관계정보를 추론하는 방법을 증명한 것이에요.

문장이 있을 때 거기서 결과정보에 해당하는 부분을 비워 보아요. 결과정보를 다 비우고 나면 관계정보와 정보구조체를 추론해 낼 수 있어요. 이 정보구조체를 사용해서 다른 정보를 만들어 낼 수 있는 거죠.


육하원칙이 무엇인지 아시죠? "누가, 언제, 어디서, 무엇을, 어떻게, 왜"로 정보를 분류하는 방법이에요. 결과정보는 쉽게 말해서 "누가, 언제, 어디서, 무엇을"이구요. 관계정보는 "어떻게, 왜"에요.


그러면 이 추론방법이 딥러닝 퍼셉트론에도 똑같이 적용되는지 확인해 볼게요. 퍼셉트론에서 결과정보가 들어오는 인풋과 아웃풋을 비웠어요. 그리고 나서 관계정보에 해당하는 부분의 정보처리가 어떻게 이루어지는지 정리했어요. 이 방법으로 실제로 퍼셉트론의 정보처리 과정을 설명할 수 있는지 확인했어요. 그렇게 해서 제가 이 강의를 할 수 있게 된거죠.

이제 마무리로 정리해 볼게요. 연역론은 딥러닝 퍼셉트론을 "정보를 만들어 내는 정보구조체"로 봐요. 연역론에서 정보구조체를 추론하는 방법은 결과정보를 해제하고 다른 정보를 만들어 내는 역할을 하는 관계정보를 찾아내는 것이에요. 저는 그렇게 해서 딥러닝의 블랙박스 모델을 풀 수 있었어요. 저는 제가 연구하는 연역론으로 딥러닝의 블랙박스 모델을 논리 증명했어요.


이렇게 해서 동영상을 마치구요. 더 자세한 내용은 제가 운영하는 블로그에 오셔서 읽어보세요. 감사해요.


관련된 글 목록



연락처




Facebook Comments

Disqus Comments

About Author

안녕하세요. 제 이름은 이기준이에요.  저는 Deduction Theory, LLC라는 소프트웨어 회사에서 CEO로 일하고 있어요.
저는 제 동생 이기환님과 함께 일을 하구요. 연구와 공부도 하고 있어요. 우리가 연구하는 주제는 논리학, 수학, 과학, 그리고 컴퓨터 정보공학이에요. 이 블로그는 우리가 연구하고 공부하는 주제를 설명하는 곳이에요.
그리고 저는 최근 오픈소스 공개 스터디 릴랏 프로젝트의 내용을 번역해 주실 자원봉사자를 모집하고 있어요. 제 생각에는 이 프로젝트가 전세계에 사는 어린이, 학생, 어른에게 도움이 될 거에요. 특히 저소득층에게요. 이 프로젝트는 무료에요. 사람들에게 도움을 주려고 기획했어요. 저는 나중에 저소득 국가에 학교와 고아원을 짓고 사람들에게 이 프로젝트 방식으로 컴퓨터 프로그래밍을 가르쳐 주고 싶어요. 그렇게 해서 나중에 그 사람들이 더 나은 직업을 가질 수 있게 돕고 싶어요.
아래에 링크한 릴랏 소개 페이지를 읽어 본 다음 이것이 도울 만한 가치가 있다고 생각되시면 저에게 말해주세요.
오픈소스 공개 스터디 프로젝트 Rellat을 소개합니다
원문 컨텐츠는 한글로 전부 제가 쓴 것이에요. 우리는 세계 모든 언어로 번역할 계획을 가지고 있어요. 감사합니다.
안녕하세요. 이기준님과 함께 Rellat 프로젝트를 진행하고 있는 이기환입니다.
제가 프로그래밍을 처음 시작한 것은 어린 시절 어도비 플래시 프로그램에서 애니메이션을 만들다가 게임을 만들고 싶어서 액션스크립트를 사용한 것입니다.
Rellat 프로젝트의 방법론은 제가 평소에 일을 하는 방법과 같습니다.
저는 사실 500줄 이상 넘어가는 코드를 보면 정신이 없고 잘 기억도 안됩니다. 지금도 간단한 코드 문법이 기억이 안나서 구글을 뒤지는 경우가 허다합니다.
대신 저는 이 코드가 어떤 사고방식을 사용해서 만들어졌는지, 어떤 관계정보를 사용했는지를 추적합니다. 이것이 연역론의 코딩 방법론, 코딩 스타일, 컴퓨팅 세계관입니다.
이 사고방식을 갖추면 더 나은 정보처리 방식이 무엇인지 비교할 수가 있습니다. 이것이 프로그래밍의 본질이고, 가장 중요한 것입니다.
나머지 프로그램의 빈공간은 구글과 스택오버플로우의 힘을 빌려서 채워넣습니다.
저는 여러분도 그렇게 하면 끊임없이 만들어지는 새로운 기술, 수만 줄의 코드 속에서 허우적거리지 않으면서 대규모의 질 높은 정보처리를 더 효과적으로 할 수 있다고 생각합니다. 

Popular Posts

Visitor Map

Flag Counter