16 Fri

딥러닝 CNN 완벽 가이드 - Fundamental 편

강의 소개 및 실습 환경 & 실습 자료

캐글 노트북을 이용한다. 전반적인 CNN의 기초를 다진다.

실습자료는 실제 인프런 강의를 참고

머신러닝의 이해

머신러닝

• 입력 데이터가 주어졌을 때 답을 유추해 줄 수 있는 최적의 함수를 찾는 것

머신러닝의 종류

• 기호 주의 : 결정 트리 등

• 연걸 주의 : 신경망, 딥러닝

• 확률 주의 : 베이지안 통계

• 유전 알고리즘

• 유추 주의

머신러닝의 대두

• 지능화된 서비스의 필요성

• 패턴에 따른 구체적인 구현의 어려움

  • 단순히 인간의 로직으로 패턴을 분석해서 구현하면 코드 길이만 늘어나게 된다.

• 머신러닝은 데이터를 기반으로 숨겨진 패턴을 인지해 해결한다.

딥러닝 개요

딥러닝의 장단점과 특징

딥러닝은 단점보다 장점이 훨씬 많다.

• 기존의 머신러닝은 특징을 직접 뽑았어야 했다.

  • 사람의 얼굴이 인풋이라면, 눈과 눈 사이의 거리, 인중과 미간과의 거리 등

  • 신경망은 어떤 특징이 됐든(표면적으로는 알 수 없지만) 자동으로 신경망이 특징을 선택한다

퍼셉트론 개요

가장 단순한 형태의 신경망을 퍼셉트론이라고 한다.

• 히든 레이어가 없이 싱글 레이어로 구성되어있다.

• 멀티 레이어로 구성된 퍼셉트론을 다중 퍼셉트론이라고 한다.

퍼셉트론의 학습

• 최초 가중치 설정

• 설정된 가중치와 입력값으로 결과값 예측

• 예측 값과 실제 값의 차이 계산

• 차이를 줄일 수 있도록 가중치 갱신

회귀 개요와 RSS, MSE의 이해

단순 선형 회귀

• 전체 데이터의 오류(잔차 합)가 최소가 되는 모델을 만드는 것이 목표

• 또한 최소가 되게 하는 가중치를 찾는 것도 마찬가지로 목표

RSS

• Residual Sum of Square

• 오류 값의 제곱을 구해서 더한다. 미분 등의 계산을 편하게 하고 양수와 음수의 합으로 오류가 작아지는 것을 막기 위함

MSE

• Mean Squared Error

• RSS를 데이터의 수로 나눈 식

• 회귀에서 MSE는 비용이며 이 값을 낮게하는 것이 목표