오늘 공부한 내용은 뉴럴네트워크와 MLP!
인간의 두뇌에서 영감을 얻은 방식으로 데이터를 처리하도록 컴퓨터를 가르치는 인공 지능 방식
인간의 두뇌와 비슷한 계층 구조로 상호 연결된 노드(or 뉴런)을 사용하는 딥 러닝의 유형
기술이 점차 발전하면서 인간의 뇌를 모방하는 방식과는 많이 멀어졌다.
수학적 정의
Neural networks are function approximators that stack affine transformations followed by nonlinear transformations.
입력 데이터에 대해 선형 변환을 적용하고 이어서 비선형 변환을 쌓아서 복잡한 함수를 근사화하는 것
가장 간단한 구조는 Linear 구조(선형회귀)
Linear로만 해결이 안되면 행렬을 사용
(Weight, bias)로 x를 y로 보낸다.
딥러닝은 결국 shallow하지 않고 깊게 network를 쌓겠다는 것.
단순히 선형결합만을 여러개 쌓기만 하지 않고 nonlinear transform을 추가
Activation Functions(nonlinear transform)
ReLu, Sigmoid, Hyperbolic Tangent 등
계속 network를 쌓을 수 있다
MSE (Mean Squared Error): 에러의 제곱을 평균한 값으로, 큰 에러에 대해 더 큰 페널티를 부여하고, 이상치에 민감하다.
RMSE (Root Mean Squared Error): MSE의 제곱근을 취한 값으로, 실제 단위로 오차를 표현한다. MSE와 마찬가지로 큰 에러에 민감하다.
MAE (Mean Absolute Error): 에러의 절대값을 평균한 값으로, 이상치에 덜 민감하다.
회귀문제에서 사용하는 손실함수 중 MSE와 MAE의 차이는 학습데이터에 에러가 껴있을 때 그 데이터에 맞추려다가 전반적인 모델이 전부 망가질 수 있는데, MSE는 처리되지 않은 이상치를 민감하게 학습해 불안해질 가능성이 있다.
MAE는 이상치에 대해 강건(robust)하기 때문에 이상치에 영향을 덜 받는다.
RMSE는 MSE 보다 이상치에 대해 상대적으로 둔감하다. RMSE는 각 오차가 다른 가중치를 갖는 반면, MAE는 오차에 동일한 가중치를 갖는 차이점이 있다.
분류문제에서 사용하는 손실함수
본 포스트의 학습 내용은 부스트클래스 <AI 엔지니어 기초 다지기 : 부스트캠프 AI Tech 준비과정> 강의 내용을 바탕으로 작성되었습니다.