핵심 개념 둘째날은 모델의 최적화 방법에 대해 공부했습니다. 하루하루 복습이 밀리고 있지만.. 최선을 다하는 중 3. 다층 퍼셉트론 Multi-layer perceptron Single layer perceptron을 통해서는 OR 혹은 AND 문제를 선형 함수 1개로 분류하여 풀 수 있었지만, XOR 문제는 풀 수 없었습니다. 하지만 2중 perceptron을 이용한다면 다음과 같이 구분이 가능합니다. X1 X2 and(~X1, X2) and(X1, ~X2) Y (predict) 0 0 0 0 0 0 1 1 0 1 1 0 0 1 1 1 1 0 0 0 이처럼 퍼셉트론을 모은 layer들의 다층으로 구성하면 보다 복잡한 모델이 되면서, 어려운 모델을 풀 수 있도록 발전하였습니다. 다층 퍼셉트론 또한 일종의..

22.06.23~24 이틀간 진행된 딥러닝 핵심 개념 수업 내용정리 part 1 입니다. 1. ML (machine learning) vs DL (deep learning) 아래 그림의 파란 음영으로 표시된 부분과 같이, 머신러닝과 딥러닝의 차이는 feature engineering (feature selection, feature extraction 등의 작업)을 누가 하느냐에 따라 결정됩니다. 전통적인 머신러닝 : 사람이 직접 데이터에서 중요한 점을 찾아 feature로 정해줌 딥러닝 : 신경망 내부에서 자체적으로 데이터의 중요한 feature를 찾거나 구성함 (새 컬럼 생성, 이미지/텍스트의 특징 발견 등) - 장점: 사람에 의한 선입견 혹은 주관적 의견을 배제할 수 있고, 사람이 발견하지 못한 중..

수업에서 최소 5번 본 인공지능, 머신러닝 그리고 딥러닝 간의 관계를 나타낸 그림입니다. 영문 위키피디아에서 발췌한 각 단어의 정의는 다음과 같습니다. 인공지능: 자신을 둘러싼 환경을 인식하고 그에 맞는 행동을 취함으로써 목표를 성취할 가능성을 최대화하는 장치 머신러닝 : 경험 E를 통해 주어진 T에 대해 P로 측정한 값이 향상되는 프로그램 딥러닝: 표현 학습(=feature learning)을 동반한 인공신경망을 기반으로 한 머신 러닝의 일종 오늘 수업에서는 이 정의들에 대해, 자신을 둘러싼 환경을 '데이터', 그에 맞는 행동을 '모델', 목표 성취를 '기능'으로 정리해 문제 해결을 위한 도구로 인공지능에 대한 개념을 명확히 하였습니다. 2. 모델이란 그렇다면 모델이란 무엇일까요? 인공지능이 '주어진 ..