패스트캠퍼스 환급챌린지 14일차 미션 (2월 14일) : 딥러닝·인공지능 Signature 초격차 패키지 Online. 강의 후기

 

나의 이 패캠 인공지능 공부 커리큘럼에

갑작스러운 변화가 생겼다.

이게 지금 패키지라서 파트마다 강사분들이 다 다른데,

아무래도 Part1 강사분의 수업을 내가

따라가기가 힘들어서

뛰고, Part2의 CH02-01부터 달려보기로 한다.

 

화이팅!

 

 

 

Part2. 인공지능 딥러닝 파헤치기 - 왜 우리는 인공신경망을 공부해야 하는가?

CH02-01. 인공 신경 

&

CH02-02. 인공 신경망

 

 

 

CH02-01. 인공 신경

새로운 마음으로 파이썬에 대한 얘기는 잠시 접어두고, 인공지능에 대한 근본적인 얘기를 한번 해보자.

 

인공신경이란?

"인간의 '뉴런'과 유사한 구조로 만들어졌다." 

 

사실 이 파트는 이 이미지 한장이면 충분하다

 

잘 보일진 모르겠지만 퍼셉트론을 도식화 하였다.

 

인공 신경의 요소

 

우선, 우리가 고등학생 때 배운 생물에 대한 내용을 조금 복기해보자. 인간의 신경에는 뉴런이라는 것들이 주렁주렁

 

연결되어있고,

 

이 뉴런은 자극을 받고, 전달할지 말지 정하고(핵), 이 값을 다음 뉴런으로 전달하는 신경 이 세파트로 크게 구분지어진다.

 

 

 

얘를들어 윗 노드를 뒷통수, 손으로 가정해보자.(이 강의에서는 이해를 쉽게 도와준다.)

 

예를들어 뒷통수와 손에 자극이 가해지면 저 두 자극의 합을 계산하고 이 값을 노드에서 어떻게 처리할 지 결정한다.

 

이 노드는 외부 자극에 대해 0: 안아프다 / 1: 아프다 이렇게 값을 다음 뉴런으로 전달하는데,

 

이 앞전 노드에서 이번 노드로 넘어올 때,  weight를 곱해준다.

(이전 포스팅에서 몇번 말한 것 같은데, 이 웨이트란 중요도를 말한다. 예를들어 친구를 타격해서 기분을 안좋게 만들고자 할때, 손바닥을 치는 것보다 뒷통수를 치는게 더 웨이트 값이 크다! 라고 알 수 있듯이 이 노드별로 다른 웨이트를 갖고 있는 것이다.)

▶ 웨이트를 곱해서 들어온다! 가 핵심 포인트

 

 

2. 자, 그러면  노드에서는 이 자극에 대해 어떻게 계산할까?

 

이미지에서 보이는 것처럼 지금 이 노드는 음수일 때 0, 양수일 떄 1값을 뱉어주는 노드이다. 이런 방법을 통해

아프다 / 안아프다 라는 개념을 가지고 값을 내뱉는 것이다.

 

그러면 선생님? 손 위에 모기가 앉아도 아프다고 느끼는 것 아니에요?

 

그래서  이런 비현실적인 현상을 위해 bias(편향, 민감도)라는 값을 노드에서 가지게 된다.

 

자 예시로, 저 이미지 상의 10이라는 값이 0.1 이라고 해보자.(실제로 모기가 손바닥에 앉는 것은 아픈게 아니니깐)

 

그리고 우리는 이 bias 값을 -2로 두자. 그러면 지금 이 노드로 들어오는 아프다?의 수치는

 

0(뒷통수) * 1 + 0.1*1 -2(민감도) = -1.9 가 되고, 위 노드에서 보이는 것처럼 안아프다!! 라는 값을 내뱉는 것이다.

 

이처럼, 민감도는 신경을 둔감화 시켜주는 예시처럼 함수에 대해 예민함의 정도를 조절해주는 것이다.

(이를 쓰레쉬홀드, 즉 임계값을 넘는다 안넘는다 개념)

 

 

3. 결론

    ① 노드와 엣지로 이루어져 있다. ← 노드(핵), 엣지(신경다발)

   

    ② 웨이트(중요도)를 곱하고 바이어스(민감도)를 더하고, 액티베이션!(액티베이션은 아까 node에서 한 행위)

   

    ③ 이 액티베이션 펑션엔 여러가지 종류가 있고, 지금 본건 unit step function 이라고 한다.

  

     ④ 주어진 입력에 대해 원하는 출력이 나오도록 웨이트와 바이어스를 AI가 조절하는 것을 인공지능이 학습한다!

         라는 개념이다. 

 

CH02-02. 인공신경망

 

그냥, 앞에서 말한 걸 망으로 더 연결한것이다. 크게 어려운 것 없다.

 

ANN(Artificial Neural Network)?

"곱하고 더하고, activation, 곱하고 더하고, activation...의 반복"

 

곱하는건 전 노드에서 아웃풋 된 값과 웨이트를, 더하는건 들어오는 웨이트들의 합.

이게 반복을 통해 여러 레이러를 거쳐서 마지막 노드(퍼셉트론) 까지 들어오는 걸 ANN 이라고 한다. 끝!

 

- 모든 노드들이 연결되어 있는 신경망을 multilayer perceptron(MLP)라고 부른다.

 (Perceptron은 unit step function을 활성화 함수로 사용하는 인공 신경을 의미하지만,

  MLP는 임의의 활성화 함수를 사용하는 인공 신경망을 의미)

 

자, 요약하자면 Perceptron은 ① Unit Step Function을 활성화 함수로 사용하는 ② 인공신경(뉴런?) 을 의미.

                        MLP는 ① 임의의 활성화 함수를 사용하는, ② 신경 망! 을 의미

 

 

이미지에서 보이는 것처럼 앞쪽을 인풋 레이어, 마지막 쪽을 아웃풋 레이어, 가운데를 히든 레이어라고 부른다.

 

Fully-connected layer(FC)는 노드끼리 싹 다 연결한 층을 의미한다.

 

 

 

 

14일차 끝.

 

 

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://bit.ly/48sS29N