RomanNum3ral
/
AI-For-Beginners
mirror of https://github.com/microsoft/AI-For-Beginners.git
1
0
Fork 0
Code Issues Packages Projects Releases Wiki Activity
AI-For-Beginners/translations/ko/lessons/3-NeuralNetworks
History
localizeflow[bot] fbfb0a8047 chore(i18n): sync translations with latest source changes (chunk 1/1, 205 changes) 2026-01-30 01:32:15 +00:00
..
03-Perceptron chore(i18n): sync translations with latest source changes (chunk 1/1, 205 changes) 2026-01-30 01:32:15 +00:00
04-OwnFramework chore(i18n): sync translations with latest source changes (chunk 1/1, 205 changes) 2026-01-30 01:32:15 +00:00
05-Frameworks chore(i18n): sync translations with latest source changes (chunk 1/1, 205 changes) 2026-01-30 01:32:15 +00:00
README.md chore(i18n): sync translations with latest source changes (chunk 1/1, 205 changes) 2026-01-30 01:32:15 +00:00

README.md

신경망 소개

신경망 소개 내용 요약을 담은 그림

소개에서 논의했듯이, 지능을 구현하는 방법 중 하나는 컴퓨터 모델 또는 인공 두뇌를 훈련시키는 것입니다. 20세기 중반부터 연구자들은 다양한 수학적 모델을 시도했으며, 최근 몇 년간 이 방향이 큰 성공을 거두었습니다. 이러한 두뇌의 수학적 모델을 신경망이라고 합니다.

때로는 신경망을 인공 신경망 또는 ANNs라고 부르며, 이는 실제 뉴런 네트워크가 아닌 모델을 의미한다는 점을 나타냅니다.

머신러닝

신경망은 머신러닝이라는 더 큰 학문 분야의 일부로, 이 분야의 목표는 데이터를 사용하여 문제를 해결할 수 있는 컴퓨터 모델을 훈련시키는 것입니다. 머신러닝은 인공지능의 큰 부분을 차지하지만, 이 커리큘럼에서는 고전적인 머신러닝은 다루지 않습니다.

고전적인 머신러닝에 대해 더 배우고 싶다면, 별도의 초보자를 위한 머신러닝 커리큘럼을 방문하세요.

머신러닝에서는 X라는 예제 데이터셋과 이에 대응하는 출력 값 Y가 있다고 가정합니다. 예제는 종종 특징으로 구성된 N차원 벡터로 표현되며, 출력은 레이블이라고 불립니다.

우리는 가장 일반적인 두 가지 머신러닝 문제를 고려할 것입니다:

  • 분류: 입력 객체를 두 개 이상의 클래스 중 하나로 분류해야 하는 경우.
  • 회귀: 각 입력 샘플에 대해 숫자 값을 예측해야 하는 경우.

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

이 커리큘럼에서는 신경망 모델에만 초점을 맞출 것입니다.

뉴런의 모델

생물학적으로 우리의 뇌는 신경 세포(뉴런)로 구성되어 있으며, 각 뉴런은 여러 개의 "입력"(수상돌기)과 하나의 "출력"(축삭)을 가지고 있습니다. 수상돌기와 축삭은 모두 전기 신호를 전달할 수 있으며, 이들 간의 연결(시냅스)은 신경전달물질에 의해 전도도가 조절될 수 있습니다.

뉴런 모델 뉴런 모델
실제 뉴런 (이미지 출처: 위키피디아) 인공 뉴런 (이미지 제공: 저자)

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

Y = f\left(\sum_{i=1}^N X_iW_i\right)

여기서 f는 비선형 활성화 함수입니다.

뉴런의 초기 모델은 1943년 Warren McCullock과 Walter Pitts가 작성한 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 다음 내용을 배웁니다:

면책 조항:
이 문서는 AI 번역 서비스 Co-op Translator를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서의 원어 버전을 신뢰할 수 있는 권위 있는 자료로 간주해야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.