머신러닝을 위한 인공 신경망

1. 인공 신경망(ANN - Artificial Neural Networks)란? 

인공 신경망은 가장 인기 있는 기계 학습 알고리즘입니다. 인공 신경망의 발명은 1970 년대에 이루어졌지만 최근 계산 능력의 증가로 인해 큰 인기를 얻었으며 이로 인해 이제는 거의 모든 곳에서 사용할 수 있습니다. 사용하는 모든 애플리케이션에서 신경망은 사용자의 참여를 유지하는 지능형 인터페이스를 구동합니다.

 

인공 신경망은 인간의 뇌를 모델로 한 특별한 유형의 기계 학습 알고리즘입니다. 즉, 신경계의 뉴런이 과거 데이터로부터 학습할 수 있는 것과 마찬가지로, ANN은 데이터로부터 학습하고 예측 또는 분류의 형태로 응답을 제공할 수 있습니다.

 

ANN은 새로운 패턴을 발견하기 위해 입력과 출력 간의 복잡한 관계를 표시하는 비선형 통계 모델입니다. 이미지 인식, 음성 인식, 기계 번역, 의료 진단과 같은 다양한 작업에서 이러한 인공 신경망을 사용합니다.

 

ANN의 중요한 장점은 예제 데이터 세트에서 학습한다는 사실입니다. ANN의 가장 일반적인 사용은 랜덤 함수 근사치입니다. 이러한 유형의 도구를 사용하면 분포를 정의하는 솔루션에 도달하는 비용 효율적인 방법을 가질 수 있습니다. ANN은 출력 결과를 제공하기 위해 전체 데이터 세트가 아닌 샘플 데이터를 가져올 수도 있습니다. ANN을 사용하면 고급 예측 기능으로 인해 기존 데이터 분석 기술을 향상시킬 수 있습니다.

 

 

 

반응형

 

2. 인공 신경망 구조

인공 신경망의 기능은 뉴런이 신경계에서 작동하는 방식과 유사합니다. 신경망은 Warren S McCulloch와 Walter Pitts가 이 용어를 만든 1970년대 초로 거슬러 올라갑니다.

 

신경망에는 세 가지 필수 계층이 있습니다.

1) 입력 레이어

입력 계층은 다양한 텍스트, 숫자, 오디오 파일, 이미지 픽셀 등의 형태로 입력 정보를 수신하는 ANN의 첫 번째 계층입니다.

 

2) 히든 레이어

ANN 모델의 중간에는 히든 레이어가 있습니다. 퍼셉트론 또는 여러 히든 레이어의 경우와 같이 단일 히든 레이어가 있을 수 있습니다. 이러한 히든 계층은 입력 데이터에 대해 다양한 유형의 수학적 계산을 수행하고 입력 데이터의 일부인 패턴을 인식합니다.

 

3) 출력 계층

출력 계층에서 중간 계층에서 수행한 엄격한 계산을 통해 얻은 결과를 얻습니다.

 

 

 

 

반응형

 

 

 

신경망에는 모델의 성능에 영향을 미치는 여러 매개 변수와 하이퍼 매개 변수가 있습니다. ANN의 출력은 대부분 이러한 매개변수에 따라 달라집니다. 이러한 매개 변수 중 일부는 가중치, 편향, 학습 속도, 배치 크기 등입니다. ANN의 각 노드에는 약간의 가중치가 있습니다.

 

네트워크의 각 노드에는 몇 가지 가중치가 할당되어 있습니다. 전달 함수는 입력과 편향의 가중 합계를 계산하는 데 사용됩니다.

 

 

 

전달 함수가 합계를 계산한 후 활성화 함수는 결과를 얻습니다. 수신된 출력에 따라 활성화 함수는 노드에서 적절한 결과를 실행합니다. 예를 들어, 수신된 출력이 0.5보다 크면 활성화 함수는 1을 발생시키고, 그렇지 않으면 0으로 유지됩니다.

 

인공 신경망에서 사용되는 인기 있는 활성화 기능 중 일부는 Sigmoid, RELU, Softmax, tanh 등입니다.

 

 

 

노드가 실행한 값을 기반으로 최종 출력을 얻습니다. 그런 다음 오류 함수를 사용하여 예측된 출력과 결과 출력 간의 불일치를 계산하고 역전파(backpropagation)로 알려진 프로세스를 통해 신경망의 가중치를 조정합니다.

 

ANN은 딥 러닝(Deep Learning)으로 알려진 기계 학습의 새로운 영역의 일부입니다.

 

 

반응형

 

2. 인공 신경망의 역전파(back propagation)

신경망을 훈련시키기 위해 입력-출력 매핑의 예를 제공합니다. 마지막으로, 신경망이 훈련을 완료하면 이러한 매핑을 제공하지 않는 신경망을 테스트합니다. 신경망은 출력을 예측하고 다양한 오류 함수를 사용하여 출력이 얼마나 정확한지 평가합니다. 마지막으로, 결과에 따라 모델은 신경망의 가중치를 조정하여 체인 규칙을 통한 경사하강법에 따라 신경망을 최적화합니다.

 

1) 인공 신경망의 종류

인공 신경망에는 두 가지 중요한 유형이 있습니다.

• FeedForward 신경망
• FeedBack 신경망

 

1-1) FeedForward 인공 신경망

 

피드포워드 ANN에서 정보 흐름은 한 방향으로만 발생합니다. 즉, 정보의 흐름은 입력 계층에서 숨겨진 계층으로, 그리고 마지막으로 출력으로 이루어집니다. 이 신경망에는 피드백 루프가 없습니다. 이러한 유형의 신경망은 주로 분류, 이미지 인식 등과 같은 경우 지도 학습에 사용됩니다. 데이터가 본질적으로 순차적이지 않은 경우에 사용합니다.

 

 

 

1-2) 피드백 인공 신경망(Artificial Neural Networks)

피드백 ANN에서 피드백 루프는 그 일부입니다. 이러한 유형의 신경망은 주로 순환 신경망의 경우와 같이 메모리 보존을 위한 것입니다. 이러한 유형의 네트워크는 데이터가 순차적이거나 시간에 종속되는 영역에 가장 적합합니다.

 

 

 

반응형

 

 

3. 베이지안 네트웍스

인공 신경망에는 확률을 계산하기 위해 베이지안 추론을 사용하는 확률적 그래픽 모델이 있습니다. 이러한 유형의 베이지안 네트워크는 Belief Network라고도 합니다. 베이지안 네트워크에는 이러한 유형의 확률 변수 사이에 존재하는 확률적 종속성을 나타내는 노드를 연결하는 간선이 있습니다. 효과의 방향은 한 노드가 다른 노드에 영향을 미치면 동일한 효과선에 속하는 것입니다. 각 노드와 관련된 확률은 관계의 강도를 정량화합니다. 관계를 기반으로 다양한 요인의 도움으로 그래프의 무작위 변수에서 추론할 수 있습니다.

 

네트워크가 따라야 하는 유일한 제약 조건은 방향성이 있는 호를 통해 노드로 돌아갈 수 없다는 것입니다. 따라서 베이지안 네트워크를 DAG(Directed Acyclic Graph)라고 합니다.

 

유한 변수 집합의 각 변수가 X = {x1, x2... xn} 여기서 각 변수 X는 Value{x1}와 같은 유한 집합에 있는 값에서 가져옵니다. 변수 Xi에서 변수 Xj로의 방향 링크가 있는 경우 Xi는 이러한 변수 간의 직접 종속성을 보여주는 Xj의 부모가 됩니다.

베이지안 네트워크(Bayesian Networks)의 도움으로 사전 지식과 관찰된 데이터를 결합할 수 있습니다. 베이지안 네트워크는 주로 인과 관계를 학습하고 도메인 지식을 이해하여 미래의 이벤트를 예측하기 위한 것입니다. 이것은 데이터가 누락 된 경우에도 발생합니다.

 

 

 

반응형

 

4. 인공 신경망 응용

다음은 중요한 인공 신경망 응용 프로그램입니다.

 

1) 수기 문자 인식

ANN은 수기 문자 인식에 사용됩니다. 신경망은 문자나 숫자 형태일 수 있는 손으로 쓴 문자를 인식하도록 훈련됩니다.

 

 

2) 음성 인식

ANN은 음성 인식에서 중요한 역할을 합니다. 음성 인식의 초기 모델은 Hidden Markov 모델과 같은 통계 모델을 기반으로 했습니다. 딥 러닝의 출현으로 다양한 유형의 신경망은 정확한 분류를 얻기 위한 절대적인 선택이 되었습니다.

 

 

 

 

반응형

 

 

3) 서명 분류

서명을 인식하고 개인의 클래스로 분류하기 위해 우리는 인증을 위해 이러한 시스템을 구축하기 위해 인공 신경망을 사용합니다. 또한 신경망은 서명이 가짜인지 여부를 분류할 수도 있습니다.

 

 

4) 얼굴 인식

사람의 신원을 기반으로 얼굴을 인식하기 위해 우리는 신경망을 사용합니다. 사용자가 보안 액세스가 필요한 영역에서 가장 일반적으로 사용됩니다. 컨볼루션 신경망(Convolutional Neural Networks)은 이 분야에서 가장 널리 사용되는 ANN의 유형입니다.

 

 

 

ANN의 응용 프로그램은 재무 예측에서도 뛰어난 성능을 보여주었습니다. 신경망은 과거 시장 데이터를 사용하면서 투자자가 적절한 결정을 내릴 수 있도록 주가를 예측할 수 있습니다. 이러한 모델은 다른 고전적 통계 기법이 간과할 수 있는 관계와 패턴을 드러낼 수 있으며, 글로벌 금융 시장에서 경쟁 우위를 제공할 수 있습니다.

 

건강 관리 분야에서 ANN은 질병 진단에 사용됩니다. 신경망은 진단 정확도를 높이고 조기 치료에 기여하여 환자에게 유리한 결과를 촉진합니다. 의료 전문가 풀이 적은 위치에서 가장 유용하며, 자동화 시스템을 사용하면 매우 유용합니다.

 

반응형