53 lines
4.8 KiB
Markdown
53 lines
4.8 KiB
Markdown
# 신경망 소개
|
|
|
|
|
|
|
|
소개에서 논의했듯이, 지능을 구현하는 방법 중 하나는 **컴퓨터 모델** 또는 **인공 두뇌**를 훈련시키는 것입니다. 20세기 중반부터 연구자들은 다양한 수학적 모델을 시도했으며, 최근 몇 년간 이 방향이 큰 성공을 거두었습니다. 이러한 두뇌의 수학적 모델을 **신경망**이라고 합니다.
|
|
|
|
> 때로는 신경망을 *인공 신경망* 또는 ANNs라고 부르며, 이는 실제 뉴런 네트워크가 아닌 모델을 의미한다는 점을 나타냅니다.
|
|
|
|
## 머신러닝
|
|
|
|
신경망은 **머신러닝**이라는 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](http://github.com/microsoft/ml-for-beginners)** 커리큘럼을 방문하세요.
|
|
|
|
머신러닝에서는 **X**라는 예제 데이터셋과 이에 대응하는 출력 값 **Y**가 있다고 가정합니다. 예제는 종종 **특징**으로 구성된 N차원 벡터로 표현되며, 출력은 **레이블**이라고 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.
|
|
|
|
 | 
|
|
----|----
|
|
실제 뉴런 *([이미지](https://en.wikipedia.org/wiki/Synapse#/media/File:SynapseSchematic_lines.svg) 출처: 위키피디아)* | 인공 뉴런 *(이미지 제공: 저자)*
|
|
|
|
따라서 뉴런의 가장 간단한 수학적 모델은 여러 입력 X<sub>1</sub>, ..., X<sub>N</sub>과 출력 Y, 그리고 일련의 가중치 W<sub>1</sub>, ..., W<sub>N</sub>을 포함합니다. 출력은 다음과 같이 계산됩니다:
|
|
|
|
<img src="../../../../translated_images/ko/netout.1eb15eb76fd76731.webp" alt="Y = f\left(\sum_{i=1}^N X_iW_i\right)" width="131" height="53" align="center"/>
|
|
|
|
여기서 f는 비선형 **활성화 함수**입니다.
|
|
|
|
> 뉴런의 초기 모델은 1943년 Warren McCullock과 Walter Pitts가 작성한 고전 논문 [A logical calculus of the ideas immanent in nervous activity](https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf)에서 설명되었습니다. Donald Hebb는 그의 책 "[The Organization of Behavior: A Neuropsychological Theory](https://books.google.com/books?id=VNetYrB8EBoC)"에서 이러한 네트워크를 훈련시키는 방법을 제안했습니다.
|
|
|
|
## 이 섹션에서
|
|
|
|
이 섹션에서는 다음 내용을 배웁니다:
|
|
* [퍼셉트론](03-Perceptron/README.md): 이진 분류를 위한 초기 신경망 모델 중 하나
|
|
* [다층 네트워크](04-OwnFramework/README.md): [자체 프레임워크 구축](04-OwnFramework/OwnFramework.ipynb)과 함께
|
|
* [신경망 프레임워크](05-Frameworks/README.md): [PyTorch](05-Frameworks/IntroPyTorch.ipynb) 및 [Keras/Tensorflow](05-Frameworks/IntroKerasTF.ipynb) 노트북 포함
|
|
* [과적합](../../../../lessons/3-NeuralNetworks/05-Frameworks)
|
|
|
|
---
|
|
|
|
**면책 조항**:
|
|
이 문서는 AI 번역 서비스 [Co-op Translator](https://github.com/Azure/co-op-translator)를 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. |