패스트캠퍼스 환급챌린지 22일차 : Part2. 인공지능의 이해 Lv1. 인공지능/딥러닝 파헤치

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://bit.ly/4hTSJNB

🔥누적 수강 9백만 시간 돌파 기념 100% 페이백 (03.22 - 03.27) | 패스트캠퍼스

Ch03-01 DNN, 벡터와 행렬로 나누기
- 인공신경망은 함수로 나타낼 수 있음
: 함수는 벡터와 행렬로 표현할 수 있고, 인공신경망의 노드와 액티베이션관계를 웨이트, 바이어스를 포함하여 행렬을 곱하고 벡터를 더하는 표현의 반복으로 나타낼 수 있음

Ch03-02 non-linear activation이 중요한 이유
- linear activation으로는 nerual network를 아무리 깊게 만들어도 hidden layer 가 없는 FC layer 만큼의 표현력만 가지게 됨
- 선형함수를 풀었을 때 웨이트와 바이어스를 다시 웨이트와 바이어스로 대치하여 식을 간략화하는 것 가능하기 때문
- linear activationa으로는 입력과 출력의 선형적 관계만 나타낼 수 밖이 없는 한계가 존재함

Ch03-03 역전파
- 노드가 깊어졌을 때의 미분은 연쇄 법칙 (Chain rule)로 가능한데, 이때 출력에 대한 모든 노드의 경로에 대하여 미분을 더해주어야만 함

Ch04-01 퍼셉트론을 이용한 이진 분류
- unit step function
: activation의 종류 중 하나로 임의의 x,y 가 주어졌을 때 출력을 0과 1로 나타냄
: x + y + bias > 0 or x + y + bias < 0 으로 나누어서 0과1을 출력하는 형태
- 퍼셉트론 정의
: hidden layer 없이 unit step function을 activation으로 사용하는 모델을 말함
- unit step function의 한계
: 미분이 불가능하고, 출력 데이터를 너무 빡빡하게 분류함
- 시그모어 액티베이션
: unit step function의 단점을 개선하여, 출력 데이터를 부드럽게 표현할 수 있도록 함
: 전 구간 미분이 가능하고 확률과 정도로 해석이 가능
: 가장 멀리 찢어놓는 합리적인 분류 기준선을 찾을 수 있음