[머신러닝] 신경망, 인공지능, 딥러닝

딥러닝 ⊂ 머신러닝 ⊂ 인공지능

 

예시 표

 

 

인공지능(AI) : 인간의 지적능력을 컴퓨터를 통해 구현하는 기술

머신러닝(ML): 컴퓨터가 데이터를 통해 스스로 학습해 예측이나 판단을 제공하는 기술

 

신경망(Neural Network) 

 

신경망

신경 세포 뉴런(Neuron)은 이전 뉴런으로부터 입력 신호를 받아 또 다른 신호를 발생시킨다.

 

그러나 입력에 비례해서 출력을 내는 형태 ($y = Wx$)가 아니라, 입력 값들의 모든 합이 

어느 임계점(threshold)에 도달해야만 출력 신호를 발생시킨다.

 

$\Rightarrow$ 이처럼 입력 신호를 받아 특정 값의 임계점을 넘어서는 경우에, 출력을 생성해주는 함수를

활성화 함수(activation function)라고 하는데, 지금까지 사용해왔던 로지스틱 회귀(Logistic Regression)

시스템의 sigmoid 함수가 대표적인 활성화 함수이다.

 

신경 세포인 뉴런 동작원리를 머신러닝에 적용하기 위해서는,

 

1. 입력 신호와 가중치를 곱하고 적당한 바이어스를 더한 후 (Linear Regression)

 

2. 그 값을 활성화 함수(sigmoid) 입력으로 전달 (Classification)해서 sigmoid 함수 임계점 0.5를 넘으면 1을, 그렇지 않으면 0을 다음 뉴런으로 전달해주는 multi-variable Logistic Regression 시스템을 구축한다.

 

딥러닝(deep learning)

 

노드(node) : 1개의 logistic regression을 나타냄

 

노드가 서로 연결되어 있는 신경망 구조를 바탕으로 입력층(Input Layer), 1개 이상의 은닉층(Hidden Layer), 출력층(Output Layer)을 구축하고, 출력층(Output Layer)에서의 오차를 기반으로 각 노드의 가중치(W)를 학습하는 머신러닝의 한 분야

 

가중치  $W_{MN} \Rightarrow$ 특정 계층의 노드 N에서 다음 계층의 노드 M으로 전달되는 신호를 강화 또는 약화

시키는 가중치 (즉, 다음 계층의 노드 번호가 먼저 나옴)

 

이러한 가중치 값들은, 층과 층사이의 모든 노드에 초기화되어 있으며, 데이터가 입력층에서 출력층으로 전파(propagation) 될 때, 각 층에 있는 노드의 모든 가중치는 신호를 강화 혹은 약화시키며, 최종적으로

오차가 최소 값이 될때 최적의 값을 가지게 된다.

 

 

 

신경망 사진 출처

 

https://appliedgo.net/media/perceptron/neuron.png