[MIT AI Lecture: Deep Learning 11] AI는 어떻게 인간의 직관을 흉내 내는가? 오토인코더부터 VQ-VAE까지 | 표현 학습과 복원 기반 추상적 의미 도출

00:00 표현 학습과 복원 기반의 추상적 의미 도출 과정 소개 00:43 딥러닝 패러다임의 변화: 사전 학습과 미세 조정의 중요성 01:42 인코더를 통한 고엔트로피 데이터의 저차원 임베딩 변환 원리 02:55 심층 신경망의 기하학적 공간 변환과 비선형 활성화 함수의 역할 03:51 인공 신경망의 계층 구조와 생물학적 시각 피질의 학습 유사성 05:01 데이터 본질 학습을 위한 두 가지 원칙: 압축과 예측 05:24 오토인코더의 병목 구간 제약을 통한 데이터의 핵심 특징 추출 06:10 오토인코더의 선형적 조상인 PCA와 차원 축소의 상관관계 06:36 이산적 표현 학습과 인류의 언어적 인지 방식의 유사성 07:45 VQ-VAE와 디지털 사전을 이용한 이산적 병목 제약 방식 07:58 자기 지도 학습과 데이터의 가려진 부분을 예측하는 학습 원리 08:26 딸기 색채 복원 예시를 통해 보는 사물의 의미 파악 과정 08:52 현대 AI의 표준인 마스킹 기법과 강력한 맥락적 이해의 필요성 09:37 단순 압축 대비 마스킹 예측 방식이 가지는 학습 효율의 우위 10:00 얀 르쿤의 지능의 케이크 비유를 통한 학습의 본질 정리 및 마무리