딥러닝

인간의 신경망을 모방하여 기계가 병렬적 다층 구조를 통해 학습하고 예측하는 기술

• 퍼셉트론 : 딥러닝 모델을 구성하는 가장 작은 단위

  퍼셉트론 = 선형모델 + 환성화함수(activation)

딥러닝 모델 설계

1. 신경망 구조 설계

• 뼈대생성 : Sequential()
• 입력층 : Dense(input_dim =)
• 중간층 : Dense(units= , activation =)
• 출력층 : Dense(units= , activation =)

2. 학습방법 및 평가방법

• model.compile(loss = , optimizer =, metrics=[ ])

3. 모델학습

• model.fit(X_train, y_train, validation_split= epochs = 반복횟수)
  * validation_split=0.2 > 20프로 때서 분석및 학습

4. 모델 예측 및 평가

• predict(X_test)
• evaluate(X_test, y_test)

• 대량의 데이터에서 복잡한 패턴이나 규칙을 찾아내는 능력이 뛰어나다

병렬적 다층구조를 갖는다

딥러닝 활용 사례

1. 자연어 처리 ex) chatGPT
2. 음성합성 ex) 가상인물 목소리 생성
3. 이미지 인식 ex) 얼굴/객체 인식

학습 로드맵

• e - 오차 Loss function : 실제값과 예측값의 차이

  회귀 : mse
  분류 : cross entrophy

• 이진분류 : binary_
• 다중분류 : categorical_

문제 유형에 따른 활성화 함수와 손실함수의 종류

optimizer 최적화 함수

경사하강법

경사하강법

MSE 가 최소가 되는 W와 b를 찾는 방법

머신러닝과 딥러닝의 차이점

Keras

인공신경망 - 퍼셉트론

• 뉴런 여러개가 모여 활성화 > 퍼셉트론
• 퍼셉트론 = 선형모델 + 활성화
  ㄴ XOR이 해결이 안되어 다층 퍼셉트론

train 데이터가 많아지면 과대적합
-> 모델 복잡
train 데이터가 적으면 과소적합
-> 모델 단순

활성화함수

자극에 따라 활성화 함수를 거친후에 비교후 구현

사람처럼 사고하는 인공지능 기술을 구현하기 위함 >> 추상적인 사고

sigmoid 함수

• sigmoid 함수는 미분가능한 함수이기 때문에 다층퍼셉트론 학습과정에 효과적임
• 내부값의 차이를 표현할 수 있음
• 기준은 0.5
• 0~1 사이의 확률 정보를 알수 있음

회귀문제

• 이진분류

CNN

패딩

축소 샘플링