ML & DL, 신경망

머신러닝과 딥러닝의 기초

ML과 DL

• 머신러닝과 딥러닝은 인공지능의 모델 완성에 꼭 필요.

기능	설명
머신러닝	데이터를 기반으로 패턴을 학습하여 예측하거나 분류하는 기술
딥러닝	머신러닝의 하위 분야로, 다층 신경망을 활용하여 비선형 문제를 해결하는 기술

가설식

• 가설식: ML 모델이 입력 데이터를 기반으로 예측을 수행하는 수학적 표현.

H(x) = wx + b

변수	설명
H(x)	모델의 예측값. 주어진 입력 x에 대해 예측된 출력값을 나타냄.
x	입력 데이터. 예측에 사용되는 독립 변수 또는 특징을 의미함.
w	가중치. 입력 데이터 x에 곱해지는 값. 각 특징이 결과에 미치는 영향을 조정.
b	편향(bias). 예측값에 더해지는 상수. 모든 입력에 영향을 끼치고 선형 회귀에서 직선의 y절편을 결정함.

퍼셉트론

• 퍼셉트론: 인공 신경망의 기초를 이루는 단위.
• 단층 구조로 AND, OR 연산과 같은 선형 문제를 해결할 수 있음.
• 비선형 문제인 XOR 연산은 불가.

• 퍼셉트론의 논리 연산 문제 해결법
  1. AND & OR 연산은 선형적 구분이 가능.
  2. 두 입력 값에 가중치를 곱한 값을 합산.
  3. 임계값과 비교하여 출력 값을 결정.

다층 퍼셉트론(MLP)

• 다층 퍼셉트론(MLP): 비선형 문제를 해결할 수 있도록 고안된 구조.

기능	설명
입력층	데이터를 입력받는 층
은닉층	입력 데이터를 처리하여 패턴을 학습하는 층
출력층	최종 예측 또는 분류 결과를 출력하는 층

• 은닉층의 활성화 함수가 입력 신호를 비선형 변환, 비선형 문제를 해결 가능케 해줌.

---

신경망

인공신경망(ANN)과 딥신경망(DNN)

• 용도: 복잡한 패턴 인식 및 분류 작업에 사용됨.

기능	설명	사용처
인공신경망(ANN)	단층 또는 다층 퍼셉트론으로 구성된 신경망	단순한 패턴 인식. 스팸 이메일 필터링, 간단한 이미지 분류 등
딥신경망(DNN)	여러 은닉층을 가진 다층 퍼셉트론	복잡한 패턴 인식과 분류. 음성 인식, 이미지 및 영상 분석, NLP 등

순환신경망(RNN)

• RNN: 시퀀스 데이터 처리를 위해 설계된 신경망.
• 이전 입력 상태를 기억하여 다음 상태에 반영할 수 있음.

활용처	설명
시계열 데이터 예측	과거 데이터를 기반으로 미래 값을 예측
자연어 처리	문장 또는 텍스트의 의미를 이해하고 처리
음성 인식	음성 데이터를 텍스트로 변환

RNN의 한계와 LSTM의 도입

• 장기 의존성 문제: RNN은 시간이 길어질수록 정보가 소실됨.
• LSTM: 셀 상태와 게이트 구조를 사용하여 정보를 보존함. 장기 의존성을 효과적으로 처리하기 위해 개발됨.