반응형 theory 📓/딥러닝13 Shallow neural network 신경망의 구성 (Neural Network Representation)- 신경망은 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)으로 구성- 각 층에서 뉴런들은 가중치와 바이어스를 통해 연결, 활성화 함수에 따라 비선형 변환을 수행함 활성화 함수 (Activation Functions)- 신경망에서 비선형성을 도입하는 하여 모델이 복잡한 문제를 학습도록 도와줌- Sigmoid 함수 : 출력값을 0과 1사이로 제한하여 확률로 해석, 입력이 아주 크거나 작을때 기울기가 거의 0에 가까워지는 기울기 소실 문제 있음- Tanh 함수 : 시그모이드 함수의 변형으로 -1에서 1사이의 값을 출력하며,.. 2024. 11. 6. Logistic Regression 로지스틱 회귀 퍼셉트론- 인공신경망의 기본 단위- 입력 데이터에 가중치를 곱하고, 결과값이 임계값을 넘으면 활성화 되어 1을 출력, 그렇지 않으며 0 출력 Adaline (Adaptive Linear Neuron)- 아달린은 퍼셉트론을 발전시킨 모델로, 연속적인 출력 값을 가짐- 아달린은 퍼셉트론과 비슷하게 작동하지만, 활성화 함수가 없고, 선형함수를 사용하여 출력값을 계산- 학습 과정에서 실제 출력과 목표 출력 간의 오차를 최소화하는 방식으로 가중치를 조정하는데, 경사하강법을 사용함 로지스틱 회귀 개념- 로지스틱 회귀는 이진분류(Binary Classification)에 사용되는 모델로, 주어진 데이터가 특정 클래스에 속할 확률을 추정함- 확.. 2024. 11. 6. 머신러닝 과 딥러닝 머신러닝과 딥러닝- 머신러닝은 대규모 데이터를 활용해 컴퓨터가 자동으로 학습하는 과정- 딥러닝은 인공신경망을 바탕으로 한 머신러닝의 한 분야로, 복잡한 문제를 높은 성능으로 처리할 수 있음- 슈퍼바이즈드 러닝 : 레이블 O ex) 이미지 분류, 광고 클릭 예측 등- 언슈퍼바이즈드 러닝 : 레이블 X ex) 군집화- 강화학습 : 정답 대신 보상을 통해 학습 딥러닝의 필요성 및 발전 요소- 딥러닝은 데이터의 양, 계산 능력, 알고리즘의 발전에 의해 큰 성과를 이룸- 하이퍼파라미터 튜닝과 정규화 : 신경망 성능을 개선하는 주요 요소- 딥러닝 모델의 구조화 : 학습 데이터의 분할, 테스트 데이터 활용, 엔드-투-엔드 딥러닝 실.. 2024. 11. 6. 이전 1 2 다음 반응형