딥러닝 실습실

역전파는 손으로 따라가 봐야 진짜 내 것이 됩니다

손실 함수, 옵티마이저, 정규화 — 이름만 들으면 비슷비슷하지만, 각각을 직접 조절해 학습 곡선이 어떻게 달라지는지 보면 역할이 또렷해집니다. 이 허브의 실습들은 딥러닝의 핵심 부품을 하나씩 직접 만지며 그 차이를 눈으로 확인하도록 구성돼 있습니다.

이 페이지에서 배우고 나면

옵티마이저·학습률·정규화를 바꿔가며 학습 곡선의 변화를 직접 비교할 수 있습니다.
기울기 소실 같은 문제가 실제로 어떻게 나타나는지 실험으로 확인할 수 있습니다.
CNN이 이미지에서 특징을 잡아내는 과정을 단계별로 관찰할 수 있습니다.

딥러닝 실습 안내

이 실습은 딥러닝의 핵심 아키텍처들을 체험하는 공간입니다. 신경망, CNN, RNN, Transformer 등 각 알고리즘의 특성에 맞는 전용 실습 환경과 시각화를 통해 실무적으로 학습할 수 있습니다.

나의 진도 지도 — 딥러닝 실습 14개

점 하나가 실습 하나입니다 — 회색 미시작 · 파랑 진행 중 · 초록 완료(모든 예측-확인) · 보라 정복(모든 예측 적중). 진도는 이 브라우저에 저장됩니다.

딥러닝 아키텍처별 실습

1단계 · 인공신경망 (Artificial Neural Network)

기본 신경망 실습

순전파/역전파 학습 과정 체험

뉴런 하나의 계산부터 역전파 한 스텝의 실제 수치, 퍼셉트론의 한계까지 직접 체험하세요. 딥러닝 실습의 시작점입니다.

다층 퍼셉트론 (MLP) 실습

복잡한 패턴 학습 실습

은닉층 수와 뉴런 수를 조절하며 XOR·동심원·나선 데이터의 결정 경계와 과적합을 실측으로 확인하세요.

2단계 · 학습의 핵심 부품

활성화 함수 실습

비선형성의 원천

Sigmoid·Tanh·ReLU의 모양과 기울기를 겹쳐 보고, Sigmoid 포화가 학습을 어떻게 막는지 확인하세요.

손실 함수 실습

학습 목표의 정의

데이터와 이상치를 직접 바꿔가며 MSE와 MAE가 어떻게 다르게 반응하는지 실측으로 비교하세요.

옵티마이저 실습

손실 지형을 내려가는 전략

SGD·모멘텀·Adam이 같은 손실 지형에서 그리는 서로 다른 궤적을 나란히 비교하세요.

기울기 소실 실습

깊은 망이 안 배우는 이유

층이 깊어질수록 기울기가 사라지는 과정을 실측하고 Skip Connection의 효과를 확인하세요.

정규화 실습

과적합 억제 장치

L2 규제 강도를 조절하며 과적합이 억제되는 과정과 가중치의 변화를 직접 관찰하세요.

배치 정규화 실습

학습 안정화 기법

배치 정규화가 층 사이의 분포를 고르게 만들어 큰 학습률에서도 학습을 안정시키는 것을 실험으로 확인하세요.

3단계 · CNN (합성곱 신경망)

합성곱 연산 실습

합성곱층과 풀링층의 동작 원리

필터·스트라이드·패딩·풀링을 슬라이더로 직접 조작하며 특징 추출 과정을 확인하세요.

이미지 분류 실습

CNN을 실제로 학습시켜 분류

작은 이미지 데이터로 CNN을 실제로 학습시키고, 분류 확률·학습된 필터·특징 맵으로 분류 과정을 들여다보세요.

4단계 · RNN (순환 신경망)

시계열 예측 실습

순환 신경망(RNN)의 기억 능력 체험

RNN을 실제로 학습시켜 시계열의 미래를 예측하고, 예측이 통하는 데이터와 안 통하는 데이터를 구분해 보세요.

텍스트 생성 실습

언어 모델링과 텍스트 생성

문자 단위 RNN을 실제로 학습시켜 텍스트를 생성하고 언어 모델의 동작 원리를 체험하세요.

5단계 · Transformer (트랜스포머)

번역 모델 실습

Encoder-Decoder 구조 체험

문장을 만들어 번역시키고 어순 재배열 과정에서 어텐션이 어떻게 작동하는지 히트맵으로 관찰하세요.

어텐션 메커니즘 실습

Self-Attention의 동작 원리

어텐션 가중치가 어떻게 계산되는지 시각화하고 토큰 간 관계를 이해하세요.

6단계 · 통합 실습 도구

모델 성능 비교

동일 데이터셋에서 MLP, CNN, RNN, Self-Attention 모델을 실제로 학습시켜 일반화 성능을 비교해보세요.

하이퍼파라미터 튜닝

학습률, 배치 크기, 층 개수 등을 조정하며 최적 성능을 찾아보세요.

기계학습 실습실의 도구로 이동합니다.

커스텀 데이터셋

자신만의 데이터를 업로드하여 기계학습 모델을 훈련해보세요.