AI-For-Beginners/translations/ko/lessons/3-NeuralNetworks

신경망 소개

우리가 소개에서 논의한 바와 같이, 지능을 달성하는 방법 중 하나는 컴퓨터 모델 또는 인공 두뇌를 훈련시키는 것입니다. 20세기 중반 이후로 연구자들은 다양한 수학적 모델을 시도했으며, 최근 몇 년 동안 이 방향이 크게 성공적임을 입증했습니다. 뇌의 이러한 수학적 모델을 신경망이라고 부릅니다.

때때로 신경망은 인공 신경망(Artificial Neural Networks), 즉 ANN이라고 불리며, 이는 우리가 실제 뉴런의 네트워크가 아닌 모델에 대해 이야기하고 있음을 나타냅니다.

기계 학습

신경망은 기계 학습이라는 더 큰 분야의 일부로, 그 목표는 데이터를 사용하여 문제를 해결할 수 있는 컴퓨터 모델을 훈련시키는 것입니다. 기계 학습은 인공지능의 큰 부분을 구성하지만, 이 커리큘럼에서는 전통적인 기계 학습을 다루지 않습니다.

전통적인 기계 학습에 대해 더 배우고 싶다면 초보자를 위한 기계 학습 커리큘럼을 방문하세요.

기계 학습에서는 우리가 X라는 예제 데이터셋과 해당하는 출력 값 Y를 가지고 있다고 가정합니다. 예제는 종종 특징으로 구성된 N차원 벡터이며, 출력은 레이블이라고 불립니다.

우리는 가장 일반적인 두 가지 기계 학습 문제를 고려할 것입니다:

• 분류(Classification): 입력 객체를 두 개 이상의 클래스 중 하나로 분류해야 합니다.
• 회귀(Regression): 각 입력 샘플에 대해 숫자를 예측해야 합니다.

입력과 출력을 텐서로 표현할 때, 입력 데이터셋은 M×N 크기의 행렬이며, 여기서 M은 샘플 수, N은 특징 수입니다. 출력 레이블 Y는 M 크기의 벡터입니다.

이번 커리큘럼에서는 신경망 모델에만 집중할 것입니다.

뉴런 모델

생물학적으로 우리의 뇌는 여러 개의 "입력"(축삭)과 하나의 출력(수상돌기)을 가진 신경 세포로 구성되어 있습니다. 축삭과 수상돌기는 전기 신호를 전달할 수 있으며, 축삭과 수상돌기 사이의 연결은 다양한 전도도를 나타낼 수 있습니다(신경 매개체에 의해 조절됨).

실제 뉴런 (이미지 출처: 위키백과)	인공 뉴런 (작가의 이미지)

따라서 가장 간단한 뉴런의 수학적 모델은 여러 개의 입력 X₁, ..., X_N과 출력 Y, 그리고 일련의 가중치 W₁, ..., W_N을 포함합니다. 출력은 다음과 같이 계산됩니다:

여기서 f는 어떤 비선형 활성화 함수입니다.

뉴런의 초기 모델은 1943년 Warren McCullock과 Walter Pitts의 고전적인 논문 신경 활동에 내재된 아이디어의 논리적 계산에서 설명되었습니다. Donald Hebb는 그의 저서 "행동의 조직: 신경심리학적 이론"에서 이러한 네트워크가 훈련될 수 있는 방법을 제안했습니다.

이 섹션에서

이 섹션에서는 다음에 대해 배울 것입니다:

• 퍼셉트론, 두 클래스 분류를 위한 가장 초기의 신경망 모델 중 하나
• 다층 네트워크 및 자체 프레임워크 구축 방법과 관련된 노트북
• 신경망 프레임워크, 이 노트북들: PyTorch와 Keras/Tensorflow
• 과적합

면책 조항:
이 문서는 기계 기반 AI 번역 서비스를 사용하여 번역되었습니다. 정확성을 위해 노력하고 있지만, 자동 번역에는 오류나 부정확성이 포함될 수 있음을 유의하시기 바랍니다. 원본 문서는 해당 언어에서 권위 있는 출처로 간주되어야 합니다. 중요한 정보에 대해서는 전문적인 인간 번역을 권장합니다. 이 번역의 사용으로 인해 발생하는 오해나 잘못된 해석에 대해서는 저희가 책임지지 않습니다.