Skip to main content

컴퓨터 비전과 딥러닝

뉴런 neuron​

  • 동물의 신경계를 구성하는 신경 세포
  • 흥분하면 전기 신호가 발생
  • 신경 전달 물질을 사용하여 세포 간 통신

인공신경망 artificial neural network​

  • 생물학적 신경망에서 영감을 받은 머신러닝 모델
  • 인공 뉴런은 입력값을 가중합하고, 그 결과에 활성화 함수를 적용하여 출력
  • 인공 뉴런은 로지스틱 회귀분석과 (거의) 같음
  • 다층 신경망: 뉴런들로 이뤄진 층(layer)을 만들고, 이것을 여러 층으로 쌓은 것
    • → 딥러닝으로 발전

인공신경망의 학습: 경사하강법​

  • 파라미터(parameter): 모형의 특성을 결정하는 값
    • 예: 1차 함수 y = ax + b 에서 a와 b
  • 동일한 구조의 모형이라도 파라미터에 따라 다양한 예측을 하게 됨
  • 인공신경망은 매우 복잡한 함수이므로, 최적 파라미터를 한 번에 찾는 공식은 없음
  • 모형의 예측과 실제값을 비교하여 두 가지의 차이(손실)를 계산
  • 손실이 줄어드는 방향(경사)으로 파라미터를 점진적으로 조정하여 줄여 나감(하강)

지도 학습의 원리​

  • http://playground.tensorflow.org ← 딥러닝을 이용한 지도학습의 원리를 체험할 수 있는 사이트
  • ▷ 버튼을 누르면 입력값을 조합하여 경계선을 찾아냄
  • (-) 버튼을 눌러 은닉층을 0으로 만듦
  • 각 점들의 좌표(x1, x2)를 입력으로 사용
  • 파란색 점과 주황색 점들을 구분하는 경계선을 찾음
  • 손실(loss): 일종의 오차 학습이 진행되면서 감소함

더 복잡한 모양​

  • 아무리 학습 시켜도 경계선을 찾지 못함 (하나의 경계선으로 구분할 수 없기 때문)
  • 은닉층을 1개 추가하고 뉴런을 3개 추가하면 입력이 3개의 경계선으로 조합되어 구분할 수 있음

딥러닝 이전과 이후의 특징 추출​

  • 딥러닝 이전에는 과제 특성에 맞게 여러 단계의 처리 과정을 거쳐 특징을 추출
  • 종단간 학습(end-to-end leaning): 딥러닝에서는 원 데이터를 거의 그대로 입력하여 원하는 출력을 얻음
  • 표상 학습(representation learning): 신경망이 과제를 수행하는데 적합한 특징들을 내부적으로 학습

인간과 기계의 학습 방법의 차이​

  • 스스로 생각하는 존재, 인격화된 존재라는 통념
  • 인간은 소량의 데이터나 심지어 데이터 없이도 학습이 가능
  • 인공지능은 대량의 데이터가 필요
  • 인공지능은 좁은 범위의 문제에만 학습이 가능, 전이(transfer)가 어려움
    • 문제가 달라지면 처음부터 새롭게 접근해야
  • Zero-Shot Learning: 추가적인 데이터 없는 전이 학습
    • 매우 다양한 범위의 문제들을 하나의 모델에 학습 → 기존의 문제와 유사한 새로운 문제도 가능

퀴즈​

사용자 정보 입력
퀴즈를 시작하기 전에 이름과 소속을 입력해주세요.

Q&A​