인공지능 : 핵심기술 (5) : 신경망

신경망 정의

신경 네트워크는 인간의 두뇌를 따라 느슨하게 모델링된 일련의 알고리즘으로, 패턴을 인식하도록 고안되었습니다. 일종의 기계 인식, 라벨링, 원시 입력의 군집을 통해 감각 데이터를 해석합니다. 인식하는 패턴은 벡터에 포함된 숫자이며, 실제 데이터(이미지, 소리, 텍스트 또는 시계열)는 모두 변환되어야 합니다.

신경망은 군집화하고 분류하는 것을 돕습니다. 이를 저장하고 관리하는 데이터 위에 있는 클러스터링 및 분류 계층이라고 할 수 있습니다. 이 기능은 입력된 예제의 유사성에 따라 레이블이 지정되지 않은 데이터를 그룹화하는 데 도움이 되며, 트레인할 레이블이 지정된 데이터 집합이 있을 때 데이터를 분류합니다. (신경 네트워크는 클러스터링 및 분류를 위해 다른 알고리즘에 공급되는 기능도 추출할 수 있습니다. 따라서 심층 신경 네트워크를 더 큰 기계 학습의 구성 요소로 생각할 수 있습니다. 강화 학습, 분류 및 회귀 분석을 위한 알고리즘들을 포함합니다.)

딥러닝이 어떤 문제를 해결할 수 있고, 문제를 해결할 수 있을까요? 답을 알고 싶다면 다음과 같은 질문을 해야 합니다.

어떤 결과를 신경써야 하나요? 

이러한 결과는 데이터에 적용할 수 있는 레이블을 의미합니다. 예를 들어, 전자 메일 필터의 스팸, 사기 탐지, 고객 관계 관리 등이 있습니다.

그 라벨들을 첨부할 자료가 있나요?

즉, 레이블이 지정된 데이터를 찾을 수 있습니까? 아니면 스팸으로 레이블이 지정된 데이터 세트를 생성하여 알고리즘에 레이블과 입력 간의 상관 관계를 가르칠 수 있습니까?

신경망과 인공지능을 소개

신경망이 빈 슬레이트로 시작해서 정확한 모형에 도달하기 때문에, 신경망은 AI로 여겨집니다. 효율적이지만, 일부에서는 출력과 입력 간의 기능 의존성에 대한 가정을 할 수 없는 모델링 접근 방식이 비효율적이기도 합니다.

경로 찾기 방법은 관련 weight 공간을 축소하고, 업데이트와 필요한 계산의 수를 많은 크기만큼 줄입니다. 또한 힌튼의 캡슐 네트워크와 같은 알고리즘은 정확한 모델에 수렴하기 위해 훨씬 적은 양의 데이터 인스턴스를 요구합니다. 즉, 현재의 연구는 심층 학습의 부족한 점을 해결할 수 있는 잠재력을 가지고 있습니다.