인공신경망의 기초

생물학적 뉴런 (Biological Neuron)

 

뇌

1000억만개 (100 Billion)의 뉴런이 존재

10^15승개의 시냅스 연결

생각, 감정, 기억을 할 수 있도록 함.

 

Biological Neuron

- 외부에서 신호가 들어와 합쳐진 신호들이 Axons를 타고, 역치를 넘어서면 터미널에서 다른 뉴런들과 연결된다.

- 합쳐진 신호들이 역치를 넘지 못하면 다시 가라앉고, 역치를 넘는 순간 전체의 뉴런이 흥분을 하고, 전기적 신호로 연결된다.

- EPSPs, IPSPs

- 신경 신호 입력 부분, 입력된 신경 신호를 더하는 부분, 역치를 판단하는 부분, 신경 신호를 내보내는 부분 으로 구성

 

Artificial Neuron (인공뉴런)

- Unit 으로도 불림

- 출력 신호에 Weight 값이 곱해져서 다음 뉴런의 입력 신호가 된다

- 분류 작업에 사용될 수 있다.

 

Artificial Neuron의 연결

- 변수 : input과 output, unit의 값

- 상수 : w값, 역치값

- 학습 : 원하는 w값, bias 값을 찾기위한 과정.

 

인공뉴런의 용어

Unit : 인공뉴런 한개를 의미

Parameter : Weight + Bias

Layer : 한 층을 뜻함.

Input Layer : 처음의 input과 연결되어 있는 레이어

Output Layer : 마지막 output과 연결되어 있는 레이어

Hidden Layer : Input, Output과 모두 연결되어 있지 않은 레이어.

 

분류 (Classification)

Data : (2, 4)

레이블 : 사과, 배 등 > (1,0,0)

 

Classification Model

- F : 모델

- x1 : input data

- 정확도(Accuracy) : F에다가 x1을 넣으면 y1이 나온다는 보장이 없다. 이에 y1과 y1' 이 얼마냐 같냐를 표현한 수치

- 위 사진의 경우에는 파란색 군집에서 잘 분리되지 않은 빨간색 점 하나가 정확도를 낮추는 요인이다.

- 잘 분류하기 위한 경계선을 Decision boundary 라고 하며, 모델의 정확도에 직결된다.

 

정리 : 분류문제는 x라는 데이터가 있으면, 그것의 레이블이 존재하고, 그 레이블과 분류모델이 얼마나 가깝게 예측할 수 있느냐 라는 작업.

 

인공신경망의 분류

클래스A와 클래스B 가 있다고 가정하자. 클래스A는 1 이고 클래스 B는 0 이다.

이는 A > B 이고, 실제 Output 값 또한 2가 -5보다 크기 때문에, 제대로 분류되었다고 볼 수 있다.

여러개의 Data가 있었을 때 그 모든 상황을 분류할 수 있다면 정확도가 높아진다.

올바른 파라미터를 찾기 위해 많은 데이터를 집어 넣고 그것들의 레이블에 맞는 것을 찾는것이 학습이다.