HeeJ's

신경망 학습: 훈련 데이터로부터 가중치 매개변수의 최적값을 자동으로 획득하는 것 -> 데이터에서 학습한다는 것은 가중치 매개변수의 값을 데이터를 보고 자동으로 결정한다는 것. 손실 함수: 신경망이 학습할 수 있도록 해주는 지표 알고리즘을 직접 '설계'하는 대신, 주어진 데이터를 활용해 특징의 패턴을 기계학습 기술로 학습한다. (직접 설계하면 수천, 수만개의 노드를 다 설계해야하기 때문에 효율이 낮다) *특징? 입력 데이터에서 중요한 데이터를 정확하게 추출할 수 있도록 설계된 변환기 하지만, 이미지를 벡터로 변환할 때 사용하는 특징은 사람이 설계해야 한다. -> 적합한 특징을 설계하지 않으면 좋은 결과를 얻을 수 없다. 기계학습을 진행할 때 데이터를 훈련 데이터와 시험 데이터로 나눠 학습과 실험을 수행한다..

머신러닝 문제는 분류와 회귀 두 가지로 나뉘는데, 일반적으로 분류에서는 소프트맥스 함수를, 회귀에는 항등 함수를 이용한다. 분류 ; 어느 클래스에 속하느냐 분류하는 문제 회귀 ; 입력 데이터에서 (연속적인) 수치를 예측하는 문제 항등 함수 identity function 입력과 출력이 항상 같다. x = y 소프트맥스 함수 softmax function exp(x)는 e^x를 뜻하는 지수 함수이다. (e는 자연 상수) n은 출력층의 뉴런 수 y_k는 그 중 k번째 출력 위의 식에서 볼 수 있듯이, 소프틈낵스 함수의 분자는 입력 신호 a_k의 지수 함수, 분모는 모든 입력 신호의 지수 함수의 합으로 구성된다. 이 소프트맥스 함수를 파이썬으로 구현해보면 더보기 import numpy as np def sof..

넘파이 다차원 배열을 이용해 3층 신경망 구현하기 3층 신경망의 입력층(0층)은 2개, 첫 번째 은닉층(1층)은 3개, 두 번째 은닉층(2층)은 2개, 출력층(3층)은 2개의 노드로 구성된다. 더보기 import numpy as np X = np.array([1.0,0.5]) # X=(x1,x2)의 입력값을 나타낸다. W1 = np.array([[0.1,0.3,0.5],[0.2,0.4,0.6]]) #W는 가중치를 나타내는 값이다. #0층에서 1층으로 가는 화살표의 값이기 때문에 2차원 배열을 이용한다. B1 = np.array([0.1,0.2,0.3]) #B는 편향을 나타낸다. print(W1.shape) #(2, 3) print(X.shape) #(2, ) print(B1.shape) #(3, ) #...