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')..
# 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..
딥러닝 1.딥러닝이란? 딥러닝 - 심층 신경망이란 3층이상의 깊은 계층을 가진 신경망의 총칭 딥러닝의 등장배경 네트워크의 심층화와 대규모화로 더 높은 일반화 성능을 실험적으로 달성 할 수 있게 되었다. 가설(어떤 원리가 작용하는지) 1.소수의 파라미터 수로 복잡한 함수를 표현할 수 있다. 2.대규모화 되면서 국부 최적해가 비슷한 비용을 갖기 쉬워졌고 비교적 간단하게 좋은 국부 최적해를 발견할 수 있게 되었다 2.딥러닝이 등장하기까지의 기술적 배경 심층 신경망과 그렇지 않은 신경망을 나누는 것은 네트워크의 구조다. 초기 딥러닝은 1990년대에 이미 제안되어 있었다. 이때는 기술적 한계로 인한 것이였다. 문제를 보완할 정도의 빅데이터가 없는한, 높은 일반화 성능을 실현하기는 어려웠다. 빅데이터를 비교적 쉽게..
#머신러닝과 딥러닝에 대하여 AI / 머신러닝 / 딥러닝은 위와 같은 포함 관계를 가진다. #머신러닝 대량의 데이터와 알고리즘을 통해 컴퓨터 그 자체를 학습시켜 작업 수행방법을 익히는 것 을 의미한다. 일반적인 프로그래밍은 데이터와 프로그래밍을 통해 output을 내지만 머신러닝에서는 data와 결괏값을 주고 그것을 통해 컴퓨터가 자체적으로 프로그래밍을 학습하게끔 한다. 머신러닝에서 기계가 학습하기 위해 주어진 데이터에서 특징을 추출하는 과정에 여전히 사람이 개입이 필요하다. 즉 사람이 생각한 특징을 훈련하여 결과를 나타나게 뜸하다. 머신러닝(Machine Learning) 알고리즘 분류 - 지도 학습(Supervised learning) / 비지도 학습(Unsupervised Learning) / 강화..