ce1e136ac3
|
||
|---|---|---|
| .. | ||
| 03-Perceptron | ||
| 04-OwnFramework | ||
| 05-Frameworks | ||
| README.md | ||
README.md
신경망 소개
소개에서 논의했듯이, 지능을 구현하는 방법 중 하나는 컴퓨터 모델 또는 인공 두뇌를 훈련시키는 것입니다. 20세기 중반부터 연구자들은 다양한 수학적 모델을 시도했으며, 최근 몇 년 동안 이 방향이 매우 성공적임이 입증되었습니다. 이러한 두뇌의 수학적 모델을 신경망이라고 합니다.
때때로 신경망은 인공 신경망 또는 ANNs라고 불리며, 이는 실제 뉴런 네트워크가 아닌 모델을 의미합니다.
머신 러닝
신경망은 머신 러닝이라는 더 큰 학문 분야의 일부로, 데이터로 컴퓨터 모델을 훈련시켜 문제를 해결하는 것을 목표로 합니다. 머신 러닝은 인공지능의 큰 부분을 차지하지만, 이 커리큘럼에서는 고전적인 머신 러닝을 다루지 않습니다.
고전적인 머신 러닝에 대해 더 배우고 싶다면 별도의 Machine Learning for Beginners 커리큘럼을 방문하세요.
머신 러닝에서는 예제 데이터셋 X와 이에 대응하는 출력 값 Y가 있다고 가정합니다. 예제는 종종 특징으로 구성된 N차원 벡터이며, 출력은 레이블이라고 합니다.
우리는 가장 일반적인 두 가지 머신 러닝 문제를 고려할 것입니다:
- 분류: 입력 객체를 두 개 이상의 클래스 중 하나로 분류해야 하는 경우.
- 회귀: 각 입력 샘플에 대해 숫자를 예측해야 하는 경우.
입력과 출력을 텐서로 표현할 때, 입력 데이터셋은 M×N 크기의 행렬이며, 여기서 M은 샘플 수, N은 특징 수입니다. 출력 레이블 Y는 크기가 M인 벡터입니다.
이 커리큘럼에서는 신경망 모델에만 집중할 것입니다.
뉴런 모델
생물학적으로 우리의 뇌는 여러 "입력"(축삭)과 하나의 출력(수상돌기)을 가진 신경 세포로 구성되어 있다는 것을 알고 있습니다. 축삭과 수상돌기는 전기 신호를 전달할 수 있으며, 축삭과 수상돌기 사이의 연결은 다양한 전도성을 나타낼 수 있습니다(신경전달물질에 의해 제어됨).
 |
 |
|---|---|
| 실제 뉴런 (이미지 출처: Wikipedia) | 인공 뉴런 (저자 제공 이미지) |
따라서 뉴런의 가장 간단한 수학적 모델은 여러 입력 X1, ..., XN과 출력 Y, 그리고 일련의 가중치 W1, ..., WN을 포함합니다. 출력은 다음과 같이 계산됩니다:
여기서 f는 비선형 활성화 함수입니다.
초기 뉴런 모델은 Warren McCullock과 Walter Pitts가 1943년에 발표한 고전 논문 A logical calculus of the ideas immanent in nervous activity에서 설명되었습니다. Donald Hebb는 그의 책 "The Organization of Behavior: A Neuropsychological Theory"에서 이러한 네트워크를 훈련시키는 방법을 제안했습니다.
이 섹션에서
이 섹션에서는 다음을 배울 것입니다:
- 퍼셉트론: 두 클래스 분류를 위한 초기 신경망 모델 중 하나
- 다층 네트워크: 자체 프레임워크를 구축하는 방법과 함께 제공되는 노트북
- 신경망 프레임워크: 다음 노트북 포함 PyTorch 및 Keras/Tensorflow
- 오버피팅
면책 조항:
이 문서는 AI 번역 서비스 Co-op Translator를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있지만, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서의 원어 버전이 권위 있는 출처로 간주되어야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 책임을 지지 않습니다.