Seung-MinJi

학습: 훈련 데이터로부터 가중치 매개변수의 최적값을 자동으로 흭득하는 것을 뜻함 손실 함수: 신경망 학습에서 사용하는 지표는 손실함수라고 하며 일반적으로 오차제곱합과 교차 엔트로피 오차를 사용함 오차제곱합: 아래의 식과 같이 각 원소의 출력과 정답 레이블의 차를 제곱한 그 총합을 구하는 식입니다. yk: 신경망의 출력(신경망이 추정한 값) tk: 정답 레이블 k : 데이터의 차원수 위의 예시를 보았을때 오차제곱합 기준으로 첫번째 추정 결과가 정답에 더 가까울 것으로 판단할수 있습니다. 교차 엔트로피 오차 yk: 신경망 출력 tk: 정답 레이블(원핫인코딩 적용) log: 밑이 e인 자연로그 결과(오차 값)가 더 작은 첫 번째 추정이 정답일 가능성이 높다고 판단한 것으로 앞서 오차 제곱합의 판단과 일치 미니..

신경망을 그림으로 나타내면 아래와 같이 나타납니다. 왼쪽 줄을 입력층, 맨오른쪽 줄을 출력층, 중간 줄을 은닉층이라고 합니다. 은닉층의 뉴런은 사람 눈에는 보이지 않습니다. 입력 신호의 총합을 출력 신호로 변환하는 함수를 일반적으로 활성화 함수라 합니다. 활성화라는 이름이 말해주듯 활성화 함수는 입력 신호의 총합이 활성화을 일으키는지를 정하는 역할을 합니다. 가중치가 달린 입력 신호와 편향의 총합을 계산하고 이를 A라 합니다. 그리고 a를 함수 h()에 넣어 y를 출력하는 흐름입니다. 즉 가중치 신호를 조합한 결과가 A라는 노드가 되고 활성화 함수 H를 통과하여 Y라는 노드로 변환되는 과정입니다. 활성화 함수는 임계값을 경계로 출력이 바뀌는데 이런 함수를 계단 함수라 합니다. "퍼셉트론에서는 활성화 함수..

퍼셉트론은 다수의 신호를 입력받아 하나의 신호를 출력하는 알고리즘 위 그림은 입력은 2개의 신호를 받은 퍼셉트론 이며 x1,x2는 입력신호 y는 출력신 w1,w2는 가중치를 뜻합니다. 그림의 원을 뉴런 혹은 노드라고 불리우며 입력신호가 뉴런에 보내질 떄는 각각 고유한 가중치가 곱해집니다. 뉴런에서 보내온 신호의 총합이 정해진 한계를 넘어설때만 1을 출력합니다. 그 한계를 임계값이라 함 위의 식의 세타를 -b로 치환하면 퍼셉트론 동작이 아래와 같이 됩니다. 여기서 b를 편향이라 하며 w1과 w2는 그대로 가중치입니다. 구체적으로 w1과 w2는 각 입력 신호가 결과에 주는 영향력을 조절하는 매개변수고 편향은 뉴런이 얼마나 쉽게 활성화(결과로 1를 출력)하느냐를 조정하는 매개변수입니다. 예를 들어 b가 -0...

#머신러닝 #딥러닝 Machine Learning and Deep Learning 머신러닝과 딥러닝은 모두 학습모델을 제공하여 데이터를 분류할수 있는 기술 * 하지만 접근 방식의 차이가 있습니다. Machine Learning 머신 러닝은 인공지능의 한 분야로, 컴퓨터 스스로 대용량 데이터에서 지식이나 패턴을 찾아 학습하고 예측을 수행하는 것입니다 머신 러닝은 주어진 데이터를 사람이 전처리를 해야합니다. 머신 러닝은 범용적인 목적을 위해 제작된 것으로 데이터의 특징을 스스로 추출하지 못합니다 즉, 머신 러닝의 학습 과정은 각 데이터(혹은 이미지) 특성을 컴퓨터(기계)에 인식시키고 학습시켜 문제를 해결합니다. 머신러닝의 학습과정은 크게 학습 단계와 예측 단계로 이루어져 있습니다. 먼저 학습단계에서 훈련데이..