ANN과 DNN

이번 세션

딥러닝이 스포츠 영상, 기록, 텍스트를 읽는 방식과 AI·머신러닝·딥러닝의 관계를 정리했습니다. 선수와 공의 인식, 장면과 움직임 추적, 경기 결과와 다음 플레이 예측, 경기 기사와 팬 반응 분석처럼 이미 스포츠 안에서 사용되는 문제를 출발점으로 삼았습니다.

입력과 예측

이번 세션의 공통 예시는 초구가 끝난 직후 다음 투구가 직구인지 예측하는 이진분류였습니다. 입력 X에는 초구 구종과 구속, 위치, 카운트, 이닝, 주자, 투타 좌우처럼 그 시점에 이미 알 수 있는 정보만 넣고, 정답 Y는 다음 투구가 직구면 1, 아니면 0으로 정의했습니다. 모델은 표의 한 행을 하나의 사례로 봅니다.

뉴런에서 MLP와 DNN까지

하나의 인공 뉴런은 입력에 가중치를 곱하고 편향을 더한 뒤 활성화 함수를 적용합니다. 단일 퍼셉트론은 XOR처럼 직선 하나로 나눌 수 없는 문제를 해결하기 어렵지만, 여러 뉴런을 층으로 연결한 MLP는 입력의 조합을 중간 표현으로 바꾸어 더 복잡한 관계를 표현합니다. ANN은 신경망 전체를 가리키고, DNN은 은닉층이 깊은 구조를 뜻합니다.

3기 8회차 메인 발표 · PDF 23쪽

활성화 함수와 출력층

선형 계산만 반복하면 선형 관계를 넘을 수 없기 때문에 ReLU, Leaky ReLU, Sigmoid 같은 비선형 활성화가 필요합니다. 회귀는 연속값 하나, 이진분류는 Sigmoid 확률 하나, 다중분류는 Softmax로 각 구종의 확률을 출력하는 식으로 문제의 형태에 따라 출력층을 선택합니다.

학습은 반복되는 수정 과정

신경망은 입력을 받아 순전파로 예측하고, 정답과 비교해 손실을 계산한 뒤, 역전파로 각 가중치의 기울기를 구하고 Optimizer로 업데이트합니다. 회귀에는 MSE·MAE, 이진분류에는 Binary Cross Entropy, 다중분류에는 Categorical Cross Entropy를 사용할 수 있습니다. Batch, Iteration, Epoch는 데이터를 나누어 반복 학습하는 단위입니다.

3기 8회차 메인 발표 · PDF 28쪽

데이터 준비와 검증

결측·이상치·중복을 확인하고, 구속과 승률처럼 규모가 다른 수치형 변수를 조정하며, 구종과 포지션 같은 범주형 변수는 인코딩합니다. Scaler는 Train 데이터로만 학습하고 같은 기준을 Validation과 Test에 적용해야 합니다. Train·Validation·Test를 시간과 목적에 맞게 나누고, 예측 후에 알게 되는 다음 투구 결과나 경기 종료 후 기록이 입력에 섞이지 않도록 데이터 누수를 막아야 합니다.

3기 8회차 메인 발표 · PDF 45쪽

일반화와 모델 선택

Train에서는 잘 맞지만 새 시즌과 새 선수에서 성능이 떨어지는 과적합을 경계해야 합니다. 학습 곡선, Early Stopping, Dropout, L1·L2 정규화와 구조 단순화로 일반화를 확인할 수 있습니다. ANN·DNN은 복잡한 변수 관계와 충분한 데이터가 있을 때 검토하되, 이미지·영상은 CNN, 순서가 있는 기록은 RNN·LSTM, 텍스트와 긴 시퀀스는 Transformer와 비교해야 합니다. 데이터가 적거나 설명이 특히 중요하다면 단순한 모델을 먼저 기준으로 삼습니다.

SDA의 다음 결과물

이번 세션은 모델을 깊게 만드는 데서 끝나지 않습니다. 스포츠 질문을 정하고, 데이터를 정의하고, 기준 모델과 학습 모델을 비교하고, 미래 데이터로 검증한 뒤, 결과의 스포츠적 의미를 해석해 SDA 매거진 글로 완성하는 흐름으로 이어집니다. 모델의 깊이보다 데이터의 정의와 검증 설계가 결과의 신뢰도를 좌우한다는 기준을 남겼습니다.