2.1 신경망과의 첫만남 작업순서는 다음과 같다. 먼저 훈련 데이터 train_images 와 train_labels 를 네트워크에 주입한다. 그러면 네트워크는 이미지와 레이블을 연관시킬 수 있도록 학습된다. 마지막으로 test_images에 대한 예측을 네트워크에 요청한다. 그리고 이 예측이 test_labels와 맞는지 확인한다. # 신경망의 구조 from keras import models from keras import layers network = models.Sequential() network.add(layers.Dense(512, activation='relu', input_shape=(28*28))) network.add(layers.Dense(10,activation='softmax')..
1.3 왜 딥러닝일까? 왜 지금일까? 세 가지 기술적인 힘이 머신러닝의 진보를 이끌었다. 하드웨어 데이터셋과 벤치마크 알고리즘 향상 1.3.1 하드웨어 시중에 판매되는 CPU는 1990년과 2010년 사이에 거의 5000배가 빨라졌다. 또한, 2000년대에 NVDIA와 AMD 같은 회사들이 GPU 개발을 통해 많은 발전을 했다.이것들이 CPU를 대체하게 되었고 높은 수준의 계산능력을 가지게 되었다. 1.3.2 데이터 데이터에 관해서는 저장 장칭의 급격한 발전과 더불어 인터넷 시장의 성장이 있다. 1.3.3 알고리즘 2009~2010년경에 몇 가지 간단하지만 중요한 알고리즘이 개선되면서 그래디언트를 더 잘 전파되게 만들어 주었다. 신경망의 층에 더 잘맞는 활성화 함수 층별 사전 훈련을 불필요하게 만든 가중..
1.2 딥러닝 이전: 머신러닝의 간략한 역사 1.2.1 확률적 모델링 확률적 모델인은 통계학 이론을 데이터 분석에 응용한 것이다. 가장 잘 알려진 알고리즘 중 하나는 나이브 베이즈 알고리즘이다. 나이브 베이즈는 입력 데이터의 특성이 모두 독립적이고 가정하고 베이즈 정리를 적용하는 머신 러닝 분류 알고리즘이다. 1.2.2 초창기 신경망 딥러닝의 기원 신경망의 핵심 아이디어는 1950년대에 시작됐으나 대규모 신경망을 훈련시킬 수 있는 효과적인 방법을 오랜 기간 동안 찾지 못했다. 1980년 중반에 역전파 알고리즘을 재발견하고 신경망에 이를 적용하기 시작했다. 이 알고리즘은 경사 하강법 최적화를 사용하여 연쇄적으로 변수가 연결된 연산을 훈련하는 방법이다. 첫 번째 신경망 애플리케이션은 1989년 벨 연구소에서..
# 딥러닝이란 무엇인가? 1.1 인공지능과 머신러닝, 딥러닝 1.1.1 인공지능 인공지능 - 보통의 사람이 수행하는 지능적인 작업을 자동화하기 위한 연구 활동 이처럼 AI는 머신러닝과 딥러닝을 포괄하는 종합적인 분야이다. 초기 사람들은 심볼릭 AI(명시적인 규칙을 충분히 많이 만드는 것) 방식의 접근 방법을 사용하였다. 하지만 불분명한 문제를 해결하기 위한 명확한 규칙을 찾는것은 어려웠다. 그래서 이러한 것들을 대체하기위해 나온 것이 머신러닝이다. 1.1.2 머신러닝 머신 러닝 시스템은 명시적으로 프로그램되는 것이 아니라 훈련된다. 작업과 관련 있는 많은 샘플을 제공하면 이 데이터에서 통계적 구조를 찾아 그 작업을 자동화 하기 위한 규칙을 만든다. 1.1.3 데이터에서 표현을 학습하기 머신 러닝은 샘플과..