Practical Lecture 6: Deep Learning

1. Deep learning simplification

딥러닝은 인공지능(AI)의 한 분야로, 인공신경망을 사용하여 데이터에서 패턴을 학습하는 방법입니다. 딥러닝은 많은 입력층과 출력층, 그리고 그 사이에 여러 개의 숨겨진 층(hidden layers)으로 구성됩니다. 이를 통해 복잡한 데이터 패턴을 인식하고 예측할 수 있습니다.

 

Deep learning is a branch of artificial intelligence (AI) that uses artificial neural networks to learn patterns from data. Deep learning consists of many input layers, output layers, and several hidden layers in between. This structure enables the recognition and prediction of complex data patterns.

 

 

(Deep Learning Example: Sushi Dish Selection)

스시 요리 선택 예시는 딥러닝이 어떻게 작동하는지를 간단한 사례로 설명하는 것입니다. 아래는 강의 자료에 포함된 그림과 함께 스시 예시를 더 자세히 설명한 내용입니다.

1. 입력 데이터와 인공신경망 (Inputs and Artificial Neural Network)

딥러닝 모델은 여러 입력 데이터를 받아들이고, 이를 통해 결과를 예측합니다. 스시 예시에서는 게(crab), 오이(cucumber), 마요네즈(mayonnaise), 꿀(honey), 달걀 껍질(eggshells), 진흙(mud) 등의 재료가 입력 데이터로 사용됩니다. 인공신경망(Artificial Neural Network)은 이 입력 데이터를 처리하여 스시 요리의 맛(맛있음/맛없음)을 평가합니다.

 

 A deep learning model takes multiple input data and predicts the outcome. In the sushi example, ingredients such as crab, cucumber, mayonnaise, honey, eggshells, and mud are used as input data. The artificial neural network processes this input data to evaluate the taste of the sushi dish (delicious/not delicious).

2. 가중치와 출력 (Weights and Output)

딥러닝 모델은 각 입력 데이터에 가중치를 할당합니다. 예를 들어, 게와 오이 같은 재료는 긍정적인 가중치를 가지지만, 달걀 껍질과 진흙은 부정적인 가중치를 가질 수 있습니다. 모델은 이 가중치들을 합산하여 출력 결과를 생성합니다. 출력 결과는 스시 요리가 "맛있다" 또는 "맛없다"로 평가됩니다.

 

The deep learning model assigns weights to each input data. For example, ingredients like crab and cucumber might have positive weights, while eggshells and mud might have negative weights. The model sums these weights to produce the output result. The output is an evaluation of whether the sushi dish is "delicious" or "not delicious."

3. 가중치 조정 및 학습 (Adjusting Weights and Learning)

모델이 초기에는 무작위 가중치를 사용하지만, 학습을 통해 이 가중치를 조정합니다. 예를 들어, 게와 오이의 가중치는 높게, 달걀 껍질과 진흙의 가중치는 낮게 조정됩니다. 모델은 여러 번의 반복 학습을 통해 점점 더 정확한 예측을 할 수 있게 됩니다.

 

Initially, the model uses random weights, but through learning, it adjusts these weights. For example, the weights for crab and cucumber might be increased, while the weights for eggshells and mud might be decreased. Through multiple iterations of learning, the model becomes capable of making more accurate predictions.

 

스시 예시의 단계별 설명 (Step-by-Step Explanation of the Sushi Example)

1. 입력 데이터 (Inputs):
   • 게, 오이, 마요네즈, 꿀, 달걀 껍질, 진흙
2. 인공신경망 (Artificial Neural Network):
   • 입력 데이터를 받아들이고, 각 데이터에 가중치를 할당합니다.
3. 출력 (Output):
   • 가중치를 합산하여 스시 요리가 맛있는지 맛없는지 평가합니다.
4. 가중치 예시 (Example Weights):
   • 게: +1
   • 오이: +1
   • 달걀 껍질: -10
   • 진흙: -10
   • 마요네즈: +0
   • 꿀: +0
5. 가중치 합산 (Summing Weights):
   • 게와 오이만 있는 스시 롤: +1 + +1 = +2 (맛있음)
   • 달걀 껍질과 진흙이 포함된 스시 롤: -10 + -10 = -20 (맛없음)
6. 학습 과정 (Learning Process):
   • 모델은 여러 번의 반복 학습을 통해 가중치를 조정하고, 점점 더 정확한 예측을 할 수 있게 됩니다.

요약 (Summary)

스시 요리 선택 예시는 딥러닝 모델이 어떻게 입력 데이터를 처리하고, 가중치를 통해 결과를 예측하는지를 보여줍니다. 모델은 학습을 통해 가중치를 조정하고, 반복 학습을 통해 점점 더 정확한 예측을 할 수 있게 됩니다. 이 예시는 딥러닝의 기본 원리를 쉽게 이해하는 데 도움이 됩니다.

---

2. Feature extraction

특징 추출은 데이터에서 중요한 정보를 자동으로 추출하는 과정입니다. 딥러닝 모델은 다양한 입력 데이터를 받아들이고, 각 데이터의 특징을 추출하여 더 높은 수준의 의미를 파악합니다.

 

Feature extraction is the process of automatically extracting important information from data. Deep learning models take various input data and extract features from each data point to understand higher-level meanings.

 

1. 특징 추출의 중요성 (Importance of Feature Extraction)

특징 추출은 딥러닝에서 중요한 과정으로, 원본 데이터에서 중요한 정보를 자동으로 식별하고 추출하는 것입니다. 이를 통해 모델이 더 나은 예측과 분류를 할 수 있습니다. 특징 추출은 이미지, 텍스트, 음성 등 다양한 데이터 유형에 적용될 수 있습니다.

2. 특징 추출의 예시 (Examples of Feature Extraction)

예를 들어, 이미지 처리에서 특징 추출은 엣지(경계선), 모서리, 질감 등의 중요한 시각적 정보를 식별합니다. 텍스트 처리에서는 단어 빈도, 구문 구조, 감정 등을 추출할 수 있습니다. 음성 인식에서는 음조, 주파수, 음성 패턴 등이 주요 특징으로 추출됩니다.

3. 특징 추출의 단계 (Steps in Feature Extraction)

특징 추출 과정은 다음과 같은 단계로 이루어집니다:

1. 데이터 수집 (Data Collection):
   • 다양한 소스에서 데이터를 수집합니다.
   • 예: 이미지, 텍스트, 음성 데이터
2. 전처리 (Data Preprocessing):
   • 데이터의 노이즈를 제거하고, 필요한 형식으로 변환합니다.
   • 예: 이미지의 크기 조정, 텍스트의 정규화, 음성 신호의 필터링
3. 특징 추출 (Feature Extraction):
   • 데이터에서 중요한 특징을 식별하고 추출합니다.
   • 예: 이미지의 엣지 추출, 텍스트의 키워드 추출, 음성의 주파수 분석
4. 특징 선택 (Feature Selection):
   • 추출된 특징 중 가장 중요한 특징을 선택합니다.
   • 예: 분류 작업에 가장 도움이 되는 특징 선택
5. 특징 변환 (Feature Transformation):
   • 선택된 특징을 모델에 적합한 형식으로 변환합니다.
   • 예: 특징 벡터로 변환하여 모델 입력으로 사용

4. 특징 추출의 실습 예시 (Practical Example of Feature Extraction)

특징 추출의 실습 예시는 이미지 분류 작업에서 볼 수 있습니다. 예를 들어, 고양이와 개를 구분하는 모델을 만들 때, 이미지에서 고양이와 개의 특정 시각적 특징(예: 귀 모양, 털 패턴)을 추출하여 모델이 이를 학습하고 분류할 수 있게 합니다.

예시 과정:

1. 이미지 데이터 수집: 고양이와 개의 이미지를 수집합니다.
2. 전처리: 이미지를 동일한 크기로 조정하고, 색상 보정을 합니다.
3. 특징 추출: 엣지 감지 알고리즘을 사용하여 고양이와 개의 특징적인 시각적 요소를 추출합니다.
4. 특징 선택: 모델 학습에 가장 도움이 되는 특징(예: 귀 모양, 털 패턴)을 선택합니다.
5. 특징 변환: 선택된 특징을 벡터 형태로 변환하여 모델에 입력합니다.

5. 특징 추출의 장점 (Advantages of Feature Extraction)

특징 추출의 주요 장점은 다음과 같습니다:

• 효율성 향상: 모델이 처리해야 할 데이터의 양을 줄여 학습 속도를 향상시킵니다.
• 예측 정확도 향상: 중요한 정보만을 사용하여 모델의 예측 정확도를 높입니다.
• 노이즈 감소: 불필요한 데이터를 제거하여 모델의 성능을 향상시킵니다.

6. 딥러닝에서 특징 추출의 역할 (Role of Feature Extraction in Deep Learning)

딥러닝에서는 특징 추출이 자동화되어 있으며, 인공신경망의 여러 층을 통해 이루어집니다. 각 층은 입력 데이터의 더 높은 수준의 추상화를 수행하여, 최종적으로 의미 있는 특징을 추출합니다. 예를 들어, 초기 층은 기본적인 패턴을 학습하고, 더 높은 층은 복잡한 형태나 객체를 인식합니다.

 

---

3. Applications

딥러닝은 금융 자문, 펀드 관리, 이미지 인식, 음성 인식 등 다양한 분야에서 응용될 수 있습니다. 예를 들어, 금융 자문에서는 딥러닝을 사용하여 지출 패턴을 분석하고, 불필요한 지출을 식별하여 저축을 극대화할 수 있습니다.

 

Deep learning can be applied in various fields such as financial advice, fund management, image recognition, and speech recognition. For example, in financial advice, deep learning can analyze spending patterns to identify unnecessary expenses and maximize savings.

 

 

딥러닝의 응용 (Applications of Deep Learning)

1. 금융 자문 개선 (Improving Financial Advice)

딥러닝은 금융 자문을 개선하는 데 사용될 수 있습니다. 예를 들어, 로보 어드바이스(Robo-advice) 분야에서 딥러닝을 사용하면 다음과 같은 목표를 달성할 수 있습니다:

• 저축 극대화:
  • 지출 패턴 분석: 딥러닝 모델이 사용자의 지출 패턴을 분석하여 불필요한 지출을 식별합니다.
  • 불필요한 지출 감지: 불필요한 지출을 줄이기 위해 사용자가 절약할 수 있는 방법을 제안합니다.
• 위험 회피 식별:
  • 재산, 소득, 지출 분석: 딥러닝 모델이 사용자의 재산, 소득, 지출 패턴을 분석하여 위험 회피 성향을 식별합니다.
  • 개인 배경 및 사회적 연결 분석: 개인의 배경, 사회적 연결, 취미 등을 분석하여 더 나은 금융 자문을 제공합니다.

2. 펀드 관리 개선 (Improving Fund Management)

딥러닝은 펀드 관리에도 큰 도움이 됩니다. 펀드 관리에서는 다음과 같은 목표를 달성하기 위해 딥러닝을 사용할 수 있습니다:

• 주식 가격 예측:
  • 거시경제, 소비 패턴, 주식 기본 사항 분석: 딥러닝 모델이 거시경제 데이터, 소비 패턴, 주식의 기본 사항(기술적 지표 등)을 분석하여 주식 가격 변동을 예측합니다.
  • 예측 정확도 향상: 이러한 예측을 통해 투자 결정을 더 정확하게 할 수 있습니다.

3. 대체 예측자 (Alternative Predictors)

딥러닝을 통해 주식 시장과 경제 동향을 예측하는 대체 방법들도 있습니다. 예를 들어, 위성 이미지를 사용하여 경제 활동을 실시간으로 분석할 수 있습니다:

• 위성 이미지 분석:
  • 유조탱크 분석: 유조탱크의 변화를 분석하여 석유 공급과 수요를 파악합니다.
  • 주차장 차량 분석: 주차장의 차량 회전율을 분석하여 소비자 활동 수준을 예측합니다.

요약 (Summary)

딥러닝은 금융 자문과 펀드 관리에서 매우 유용하게 사용될 수 있습니다. 이를 통해 사용자의 지출 패턴을 분석하고, 위험 회피 성향을 식별하며, 주식 가격을 예측할 수 있습니다. 또한, 위성 이미지와 같은 대체 데이터를 사용하여 경제 활동을 실시간으로 분석할 수도 있습니다. 이 모든 응용은 딥러닝의 강력한 데이터 분석 및 예측 능력을 통해 가능합니다.

---

Guest Speaker [Open Banking Regulation]

---

1. Open Banking Regulation
- What is it?
- What does it aim to do? 

Open banking is the system of allowing consensual access and control of a customers bank account by regulated third-party applications. Open banking allows customers to control who their data is shared with and for what purpose. 

- 필요한 이유?
전통적인 은행 업무에서 금융 데이터는 일반적으로 개별 은행 내에 사일로화되어 있습니다. 고객은 자신의 데이터를 제3자와 공유할 수 있는 선택권이 제한되어 있고, 데이터 접근은 종종 은행의 폐쇄적인 서비스 제공자 생태계로 제한되어 사용 가능한 옵션의 다양성이 제한되고 경쟁과 혁신을 억제합니다. 오픈 뱅킹은 금융 서비스 산업(FSI) 내에서 데이터 공유, 경쟁 및 고객 권한 부여를 강조함으로써 전통적인 은행 업무과 차별화됩니다.

 

오픈 뱅킹은 보안 API를 통해 금융 기관과 승인된 제3자 공급자 간의 안전한 데이터 공유를 지원하는 은행 시스템을 위한 기술 기반 프레임워크입니다. 경쟁, 혁신, 금융 데이터에 대한 고객 제어 확대를 촉진하여 소비자가 강력한 보안 조치를 유지하면서 광범위한 금융 서비스 및 애플리케이션에 액세스할 수 있습니다. 오픈 뱅킹은 투명성을 개선하고, 고객 경험을 향상하며, 맞춤형 금융 상품 및 서비스의 개발을 추진하는 것을 목표로 합니다.

 

 

 

---

2. BankiFi
- What do we do?
- How does it help banks?
- How does it help customers? 

Bankifi statement 
- A combination of regulation and advances in technology have lowered the barrier of entry enabling new entrants to erode Bank revenues. SMEs are the low hanging fruit for new entrants having been underserved by Banks. The next domains to be unbundled will be Business Checking, payables, receivables and lending. To remain relevant to SMEs, banks must move from being product centric to being customer centric by embedding banking in SME workflows. 

 

 

---

---

---

Instagram: subin_102426