신경망이란 무엇입니까? 인공 신경망 소개

신경망이란 무엇인가에 대한이 블로그에서는 신경망의 기본 개념과 복잡한 데이터 기반 문제를 해결하는 방법을 소개합니다.

머신 러닝의 발전으로 높은 길을 택했습니다. 딥 러닝은 방대한 데이터 세트를 사용하는 복잡한 문제를 해결하기 위해 만들어진 가장 진보 된 기술로 간주됩니다. 신경망이란 무엇인가에 대한이 블로그에서는 신경망의 기본 개념과 복잡한 데이터 기반 문제를 해결하는 방법을 소개합니다.

인공 지능 및 딥 러닝에 대한 심층적 인 지식을 얻으려면 라이브에 등록 할 수 있습니다. 24/7 지원 및 평생 액세스를 제공하는 Edureka





여기에서 다룰 주제 목록이 있습니다. 블로그 :

  1. 신경망이란 무엇입니까?
  2. 딥 러닝이란?
  3. AI, ML 및 DL의 차이점
  4. 딥 러닝의 필요성
  5. 딥 러닝 사용 사례
  6. 신경망은 어떻게 작동합니까?
  7. 예제로 설명 된 신경망

신경망의 간단한 정의

인간의 뇌에 따라 모델링 된 신경망은 인간 두뇌의 기능을 모방하도록 구축되었습니다. . 인간의 뇌는 여러 뉴런으로 구성된 신경망입니다. 마찬가지로 ANN (인공 신경망)은 여러 퍼셉트론으로 구성됩니다 (나중에 설명).



신경망-신경망이란?-Edureka

신경망은 세 가지 중요한 계층으로 구성됩니다.

  • 입력 레이어 : 이름에서 알 수 있듯이이 레이어는 프로그래머가 제공하는 모든 입력을 받아들입니다.
  • 숨겨진 레이어 : 입력 레이어와 출력 레이어 사이에는 숨겨진 레이어라고하는 레이어 집합이 있습니다. 이 계층에서 계산이 수행되어 결과가 출력됩니다.
  • 출력 레이어 : 입력은 은닉층을 통해 일련의 변환을 거쳐 최종적으로이를 통해 전달되는 출력이됩니다. 층.

신경망이 어떻게 작동하는지 깊이 들어가기 전에 딥 러닝이 무엇인지 이해합시다.



딥 러닝이란?

딥 러닝은 신경망의 개념을 사용하여 다차원 데이터 분석과 관련된 고도로 계산 된 사용 사례를 해결하는 고급 기계 학습 분야입니다. 기능 추출 프로세스를 자동화하여 사람의 개입이 최소화되도록합니다.

그렇다면 딥 러닝이란 정확히 무엇입니까?

딥 러닝은 고급 인공 신경망이라고하는 뇌의 구조와 기능에서 영감을받은 알고리즘을 사용하는 기계 학습의 하위 분야입니다.

AI, ML 및 DL의 차이점 (인공 지능 대 기계 학습 대 딥 러닝)

사람들은 종종 , , 및 딥 러닝 공통 응용 프로그램이 있기 때문에 동일합니다. 예를 들어 Siri는 AI, 머신 러닝 및 딥 러닝의 응용 프로그램입니다.

그렇다면 이러한 기술은 어떤 관련이 있습니까?

  • 인공 지능 기계가 인간의 행동을 모방하도록 만드는 과학입니다.
  • 기계 학습 AI (인공 지능)의 하위 집합으로, 기계가 데이터를 제공하여 결정을 내 리도록하는 데 중점을 둡니다.
  • 딥 러닝 복잡한 문제를 해결하기 위해 신경망의 개념을 사용하는 기계 학습의 하위 집합입니다.

요약하자면, 머신 러닝과 딥 러닝은 상호 연결된 분야입니다. 기계 학습 및 딥 러닝은 일련의 알고리즘과 신경망을 제공하여 인공 지능을 지원합니다. 데이터 기반 문제.

이제 기본 사항에 익숙해 졌으므로 딥 러닝이 필요한 이유를 이해해 보겠습니다.

자바에서 tostring 메소드를 사용하는 방법

딥 러닝의 필요성 : 전통적인 머신 러닝 알고리즘 및 기술의 한계

기계 학습은 기술 세계에서 중요한 돌파구였으며 단조롭고 시간이 많이 걸리는 작업을 자동화했으며 복잡한 문제를 해결하고 더 현명한 결정을 내리는 데 도움이되었습니다. 그러나 머신 러닝에는 몇 가지 단점이있어 딥 러닝이 등장했습니다.

다음은 기계 학습의 몇 가지 제한 사항입니다.

  1. 고차원 데이터를 처리 할 수 ​​없음 : 기계 학습은 작은 변수 집합이 포함 된 작은 차원의 데이터 만 처리 할 수 ​​있습니다. 100 개의 변수가 포함 된 데이터를 분석하려는 경우 기계 학습을 사용할 수 없습니다.
  2. 기능 엔지니어링은 수동입니다. 100 개의 예측 변수가 있고 중요한 변수 만 좁혀 야하는 사용 사례를 고려하십시오. 이를 위해서는 각 변수 간의 관계를 수동으로 연구하고 어떤 변수가 결과를 예측하는 데 중요한지 파악해야합니다. 이 작업은 개발자에게 매우 지루하고 시간이 많이 걸립니다.
  3. 물체 감지 및 이미지 처리에 적합하지 않음 : 물체 감지에는 고차원 데이터가 필요하기 때문에 기계 학습은 이미지 데이터 세트를 처리하는 데 사용할 수 없으며 제한된 수의 기능을 가진 데이터 세트에만 이상적입니다.

깊이 들어가기 전에 신경망, 딥 러닝이 구현 된 실제 사용 사례를 살펴 보겠습니다.

딥 러닝 사용 사례 / 응용 프로그램

PayPal이 1 억 7 천만 명 이상의 고객이 40 억 건의 거래에서 2,350 억 달러 이상의 지불을 처리한다는 사실을 알고 계셨습니까? 이 방대한 양의 데이터를 사용하여 다른 이유 중에서 가능한 사기 활동을 식별합니다.

딥 러닝 알고리즘의 도움으로 PayPal은 특정 거래가 사기인지 여부를 예측하기 위해 데이터베이스에 저장된 사기 가능성 패턴을 검토하는 것 외에도 고객의 구매 내역에서 데이터를 채굴했습니다.

이 회사는 약 10 년 동안 딥 러닝 및 머신 러닝 기술에 의존해 왔습니다. 처음에 사기 모니터링 팀은 단순한 선형 모델을 사용했습니다. 그러나 수년에 걸쳐 회사는 딥 러닝이라는 더 진보 된 머신 러닝 기술로 전환했습니다.

PayPal의 사기 위험 관리자이자 데이터 과학자 인 Ke Wang은 다음과 같이 말했습니다.

“보다 현대적이고 고급 머신 러닝에서 우리가 즐기는 것은 훨씬 더 많은 데이터를 소비하고, 계층과 추상화 계층을 처리하고, 단순한 기술로는 볼 수없고 인간도 볼 수없는 것을 '볼'수 있다는 것입니다. 볼 수 없습니다.”

간단한 선형 모델은 약 20 개의 변수를 소비 할 수 있습니다. 그러나 딥 러닝 기술을 사용하면 수천 개의 데이터 포인트를 실행할 수 있습니다. 따라서 구현함으로써 딥 러닝 기술인 PayPal은 마침내 수백만 건의 거래를 분석하여 사기성 활동.

추상 클래스와 인터페이스의 차이점은 무엇입니까?

이제 신경망의 깊이로 들어가 어떻게 작동하는지 이해하겠습니다.

신경망은 어떻게 작동합니까?

신경망을 이해하려면 신경망을 분해하고 신경망의 가장 기본적인 단위, 즉 퍼셉트론을 이해해야합니다.

퍼셉트론이란?

Perceptron은 선형 데이터를 분류하는 데 사용되는 단일 계층 신경망입니다. 4 가지 중요한 구성 요소가 있습니다.

  1. 입력
  2. 가중치 및 편향
  3. 합산 기능
  4. 활성화 또는 변형 기능

퍼셉트론의 기본 논리는 다음과 같습니다.

입력 레이어에서 수신 된 입력 (x)은 할당 된 가중치 w와 곱해집니다. 그런 다음 곱해진 값이 더해져 가중 합계를 형성합니다. 그런 다음 입력 및 해당 가중치의 가중치 합이 관련 활성화 함수에 적용됩니다. 활성화 함수는 입력을 각 출력에 매핑합니다.

딥 러닝의 가중치와 바이어스

왜 각 입력에 가중치를 할당해야합니까?

입력 변수가 네트워크에 공급되면 임의로 선택한 값이 해당 입력의 가중치로 할당됩니다. 각 입력 데이터 포인트의 가중치는 입력이 결과를 예측하는 데 얼마나 중요한지를 나타냅니다.

반면 바이어스 매개 변수를 사용하면 정확한 출력을 얻을 수있는 방식으로 활성화 함수 곡선을 조정할 수 있습니다.

합산 기능

입력에 일부 가중치가 지정되면 각 입력 및 가중치의 곱이 취해집니다. 이 모든 제품을 추가하면 가중치 합계가 제공됩니다. 이것은 합계 함수에 의해 수행됩니다.

활성화 기능

활성화 함수의 주요 목적은 가중 합계를 출력에 매핑하는 것입니다. tanh, ReLU, sigmoid 등과 같은 활성화 함수는 변환 함수의 예입니다.

퍼셉트론의 기능에 대해 자세히 알아 보려면 다음을 통해 확인할 수 있습니다. 블로그.

우리 전에 이 블로그를 마무리하고 신경망의 작동 방식을 이해하는 간단한 예를 들어 보겠습니다.

예제로 설명 된 신경망

이미지를 두 가지 클래스로 분류하는 ANN (인공 신경망)을 구축하는 시나리오를 고려하십시오.

  • 클래스 A : 비 변색 잎 이미지 포함
  • 클래스 B : 병든 잎의 이미지 포함

그렇다면 잎을 병든 작물과 질병이없는 작물로 분류하는 신경망을 어떻게 만드나요?

프로세스는 항상 입력을 쉽게 처리 할 수있는 방식으로 처리하고 변환하는 것으로 시작됩니다. 우리의 경우 각 잎 이미지는 이미지의 크기에 따라 픽셀로 나뉩니다.

예를 들어, 이미지가 30 x 30 픽셀로 구성된 경우 총 픽셀 수는 900이됩니다. 이러한 픽셀은 행렬로 표현 된 다음 신경망의 입력 계층으로 공급됩니다.

우리의 뇌가 생각을 구축하고 연결하는 데 도움이되는 뉴런이있는 것처럼, ANN에는 입력을 받아들이고 입력 레이어에서 숨겨진 마지막 출력 레이어로 전달하여 처리하는 퍼셉트론이 있습니다.

입력이 입력 계층에서 은닉 계층으로 전달되면 초기 임의 가중치가 각 입력에 할당됩니다. 그런 다음 입력 값에 해당 가중치를 곱하고 합계가 다음 은닉층에 입력 값으로 전송됩니다.

여기에서 바이어스라는 숫자 값이 각 퍼셉트론에 할당되어 각 입력의 가중치와 연관됩니다. 또한 각 퍼셉트론은 활성화 또는 특정 퍼셉트론의 활성화 여부를 결정하는 변환 기능을 통해 전달됩니다.

활성화 된 퍼셉트론은 데이터를 다음 레이어로 전송하는 데 사용됩니다. 이러한 방식으로 데이터는 퍼셉트론이 출력 계층에 도달 할 때까지 신경망을 통해 전파됩니다 (전방 전파).

출력 계층에서 데이터가 클래스 A 또는 클래스 B에 속하는지 여부를 결정하는 확률이 도출됩니다.

간단하지 않나요? 음, Neural Networks의 개념은 순전히 인간 두뇌의 기능에 기초합니다. 다양한 수학적 개념과 알고리즘에 대한 심층적 인 지식이 필요합니다. 다음은 시작하는 데 도움이되는 블로그 목록입니다.

sqlite 브라우저는 무엇입니까
  1. 딥 러닝이란? 딥 러닝 시작하기
  2. Python을 사용한 딥 러닝 : 딥 러닝 초보자 가이드

이 블로그와 관련이 있다고 생각되면 전 세계에 걸쳐 250,000 명 이상의 만족 한 학습자 네트워크를 보유한 신뢰할 수있는 온라인 학습 회사 인 Edureka에서 작성했습니다. TensorFlow를 사용한 Edureka Deep Learning 교육 과정은 학습자가 SoftMax 기능, 자동 인코더 신경망, RBM (Restricted Boltzmann Machine)과 같은 개념과 함께 실시간 프로젝트 및 할당을 사용하여 기본 및 컨볼 루션 신경망을 교육하고 최적화하는 데 전문가가 될 수 있도록 도와줍니다.