인공지능 5주차

인공지능: 기계가 사람의 행동을 모방하게 하는 기술

기계 학습: 기계가 일일이 코드로 명시하지 않은 동작을 데이터로부터 학습하여 실행할 수 있도록 하는 알고리즘을 개발하는 연구 분야 

딥러닝: 기계 학습의 한 분야인 인공 신경망에 기반하여 많은 양의 데이터를 학습해 뛰어난 성능을 이끌어내는 연구 분야 

 

 

빅데이터랑 딥러닝은 다름 딥러닝 연구에서 다루지 않는 범위를 빅데이터에서 다루게 됨

 

딥러닝으로 할 수 있는 것

(1) 분류

(2) 회귀

(3) 물체 검출

(4) 영상 분할

(5) 영상 초해상도

(6) 예술적 창조물

(7) 강화 학습

 

 

 

 

딥러닝 구성 요소

 

 

딥러닝 실습 환경 소개

흐름 알아보기

tensorflow import => 하이퍼 파라미터 설명 => 네트워크 구조 정의 => 학습 루프 정의 => 테스트 루프 정의 =>  데이터셋 가져오고, 정리 => 네트워크 생성 => 손실함수, 최적화 알고리즘 정의 => 알고리즘 평가지표 설정 => 알고리즘 학습, 테스트 루프

 

 

 

 

 

얕은 신경망의 구조

신경 세포: 생물학적인 신경 세포를 단순화하여 모델링한 뉴런. 여러 신호를 받아 하나의 신호를 만들어 전달하는 역할을 함. 출력을 내기 전에 활성함수를 통해 비선형 특성을 가할 수 있다

 

뉴런의 그래프 표현: 보통 신경망을 표현할 때 그래프의 노드와 엣지를 이용해 표현한다. 여기에서 노드는 단일 뉴런 연산을, 엣지는 뉴런의 연결성을 의미한다.

 

 

 

 

인공신경망: 뉴런이 모여 서로 연결된 형태

 

 

 

 

계층: 뉴런이 모인 한 단위

Fully-Connected Layer(Dense Layer): 이전 계층과 모든 뉴런이 서로 연결된 계층

 

 

 

 

 

얕은 신경망: 입력, 은닉, 출력의 3가지 계층으로 되어 있으며 은닉 계층과 출력 계층이 Fully Connected 계층인 모델

 

 

 

 

 

 

얕은 신경망으로 할 수 있는 것

 

 

 

회귀

잡음이 있는 학습 샘플로부터 규칙을 찾아 연속된 값의 출력을 추정하는 것

 

 

 

 

분류

 

입력 값을 분석해 특정 범주로 구분하는 것

 

 

 

 

 

얕은 신경망을 이용한 회귀

 

 

얕은 신경망의 동작은 출력 계층의 활성 함수에 의해 달라진다

 

 

 

 

얕은 신경망을 이용한 이진 분류

이진 분류를 위한 출력은 0~1 사이의 실수값이며 활성함수로 sigmoid function을 사용

0.5보다 작으면 첫번째 class, 0.5보다 크면 두 번쨰 class로 분류

 

 

 

얕은 신경망을 이용한 다중 클래스 분류

softmax 활성 함수를 이용해 다중 분류 문제를 해결할 수 있다. 각 출력은 해당 class에 속할 확률을 의미

 

 

 

 

뉴런의 수학적 표현: 뉴런은 수학적으로 두 벡터의 내적으로 쉽게 표현할 수 있다

 

 

 

전결합 계층의 수학적 표현: FC 계층은 여러 개의 뉴런을 한 곳으로 무아둔 것으로 Matrix 곱셈 연산으로 표현

 

 

입력 계층

 

 

 

 

 

은닉 계층

 

 

 

출력 계층