인공지능 12강 (신경회로망)

학습개요

1. 신경회로망 모델은 고등동물의 중추신경체계에 대한 이해를 바탕으로 지능적 문제해결에 사용할 수 있는 모델을 만든 것으로서, 음성, 영상 등의 인식, 적응적 제어 등 다양한 분야에서 유용하게 활용되고 있다. 이번 강의에서는 신경회로망 모델의 기본적 이해와 퍼셉트론 학습에 대하여 학습한다.

 학습목표

1. 신경회로망 모델의 기본적 특성을 설명할 수 있다.
2. 퍼셉트론의 학습 및 동작을 구현할 수 있다.
3. 퍼셉트론 모델의 성과와 한계를 설명할 수 있다.

 주요용어

1. 인공 신경회로망 : 생물학적 신경체계의 이해를 바탕으로 지능적 문제해결에 사용하기 위한 구조 및 학습 방법을 모델링한 것
2. 활성함수(activation function) : 연결가중치가 적용된 입력이 뉴런에 전달었을 때 뉴런의 출력을 활성화할 것인지, 활성화할 경우 입력에 대해 어떤 값을 출력으로 전달할 것인지를 결정하는 함수
3. 피드포워드 신경망 : 신호가 입력층으로부터 출력층 방향으로만 전달되는 신경망 구조
4. 순환 신경망 : 뉴런의 출력이 입력으로 되먹임될 수 있는 순환연결을 갖는 신경망 구조
5. 준지도학습(Semi-supervised learning) : 라벨이 지정되지 않은 큰 규모의 학습표본 집합과 비교적 작은 규모의 라벨이 지정된 학습표본 집합을 사용하는 학습 방법
6. 배치학습(batch learning) : 학습 표본집합 내의 각각의 표본에 의한 연결가중치 변화분을 누적한 후 전체 학습 표본에 대한 누적 변화량을 반영하여 연결가중치를 업데이트하는 기계학습 방식
7. 온라인 학습(online learning) : 개별 학습 표본에 대하여 연결가중치의 변화량을 계산하여 연결가중치를 업데이트하는 기계학습 방식
8. 미니배치(mini-batch) : 전체 학습 표본집합을 작은 부분집합으로 나눈 것
9. 퍼셉트론(perceptron) : 프랭크 로잰블랫이 제안한 지도학습 방식의 신경망 모델로, 선형 결정경계를 학습할 수 있다.

정리하기

1. 인공 신경회로망은 사람의 중추신경 구조를 모델링하여 지능적 처리에 응용하기 위한 모델로서, 단순한 연산기능을 수행하는 많은 수의 뉴런들이 서로 방대한 연결을 유지하며, 이들 사이의 연결가중치를 조정함으로써 학습을 수행한다.
2. 기본적인 뉴런의 기능은 각각의 입력에 가중치를 곱하여 전달된 값과 임계치(또는 바이어스)를 더한 후 활성함수를 거쳐 출력하는 것이다.
3. 뉴런의 연결 유형은 흥분성 연결과 금지 연결, 층내 연결과 층간 연결, 피드포워드 연결과 순환연결 등 모델에 따라 여러 가지 형태를 취한다.
4. 퍼셉트론 모델은 연결가중치를 통해 전달되는 입력과 바이어스의 합에 하드 리미트 활성함수를 가하여 출력하는 뉴런으로 구성된다. 단층 퍼셉트론은 지도학습을 통해 선형 결정경계를 형성한다.
5. 선형 결정경계로 해결되지 않는 문제(예 : XOR 문제)는 단층 퍼셉트론으로는 학습할 수 없다.