2. 텐서플로우 딥러닝 구현

2-1. 딥러닝 구현을 위한 API

딥러닝 개발을 위한 언어와 프레임워크
- Python
  - 주요 역할:
    - Python은 AI 개발에 가장 널리 사용되는 언어
    - 수많은 라이브러리와 프레임워크가 있어 AI 모델을 빠르고 효율적으로 개발할 수 있음
  - 유용한 라이브러리:
    - NumPy, SciPy: 수학 및 과학 연산 지원.
    - Pandas: 데이터 처리 및 분석.
    - Matplotlib, Plotly: 데이터 시각화.
    - TensorFlow, PyTorch: 딥러닝 프레임워크.
- AI 개발 도구 및 프레임워크
  - TensorFlow
    - 주요 역할: Google에서 개발한 딥러닝 라이브러리로, 대규모 신경망을 구축하고 훈련시키는 데 사용.
    - 특징: 다양한 플랫폼에서 동작 가능, 높은 확장성.
  - PyTorch
    - 주요 역할: Facebook에서 개발한 딥러닝 프레임워크로, 연구와 상용화 모두에 적합함.
    - 특징: 동적 계산 그래프, 빠른 실험 가능.
  - Keras
    - 주요 역할: TensorFlow의 고급 API로, 신경망을 쉽게 설계하고 훈련할 수 있게 함.
    - 특징: 간결하고 직관적인 인터페이스.
  - Scikit-learn
    - 주요 역할: Python에서 많이 사용되는 머신러닝 라이브러리로, 다양한 머신러닝 알고리즘과 데이터 처리 도구를 제공함.
    - 특징: 분류, 회귀, 클러스터링 등 다양한 알고리즘 지원.
- 딥러닝을 위한 개발 도구
  - Jupyter Notebook
    - 데이터 분석, 머신러닝 모델 개발에 널리 사용되는 대화형 개발 환경.
    - 실시간 코드 실행 및 시각화.
  - Anaconda
    - Python과 R을 위한 데이터 과학 배포판으로, 패키지 및 환경 관리를 간편하게 도와줌.
    - 여러 라이브러리 및 도구들의 설치 및 관리를 간소화함.
  - PyCharm
    - JetBrains에서 개발한 Python 전용 통합 개발 환경(IDE)으로 Python 개발에 최적화된 다양한 기능을 제공함
    - PyCharm은 로컬 개발 환경에서 안정적인 코드 작성과 디버깅에 초점을 둠
    - PyCharm은 대규모 프로젝트나 고급 기능(예: 코드 리팩토링, 디버깅)을 필요로 하는 경우 유리
    - Python 인터프리터를 설치해야 하며 필요한 라이브러리를 설치해야 함
    - 프로젝트별로 가상환경이 제공되어 프로젝트간 라이브러리 버전 충돌 문제를 최소화 함
  - Google Colaboratory
    - 구글이 제공하는 무료 클라우드 기반의 Jupyter Notebook 환경
    - Python 코드를 브라우저에서 바로 실행할 수 있으며, 별도의 설치 없이도 인공지능 및 데이터 과학 프로젝트 진행할 수 있음
    - Colab은 클라우드 기반 환경에서 손쉽게 코드를 실행하고 AI 모델을 훈련하는 데 강점을 가짐
    - 딥러닝 모델을 빠르게 실험하고 클라우드 자원을 활용하고 싶을 때 적합
  - 기타
    - Kaggle Kernels, Microsoft Azure Notebooks, Amazon SageMaker Notebooks, IBM Watson Studio 등
케라스와 파이토치
- Keras
  - 높은 수준의 API를 제공함
  - 코드가 직관적이고 사용하기 쉬움
  - TensorFlow의 고수준 API로 통합되었음
  - TensorFlow 생태계를 잘 활용할 수 있음
- PyTorch
  - 낮은 수준의 API를 제공
  - 더 유연하고 커스터마이징하기 좋음
  - 연구 커뮤니티에서 강력한 지지를 받고 있음
  - 연구 결과를 빠르게 구현할 수 있는 라이브러리나 도구가 많음