신경망 소개 [+ 5 Learning Resources]

신경망은 인간 신경계의 복잡한 뉴런 연결을 복제하려는 시도로 개발되었습니다.

생물학적 신경계는 신호를 중계하고 처리하는 데 매우 효율적이기 때문에 기계를 위한 인간과 같은 지능을 만드는 데 도움이 될 수 있다고 생각했습니다.

이로 인해 인간 두뇌의 뉴런 클러스터처럼 데이터를 처리하고 전송할 수 있는 인공 뉴런 네트워크가 생성되었습니다.

이것은 기계가 지능적으로 학습하고 대응할 수 있는 능력을 크게 향상시켰고, 따라서 신경망이 탄생했습니다.

이 기사에서는 신경망, 작동 방식, 이점 및 기타 중요한 측면에 대해 설명합니다.

시작하자!

신경망이란 무엇입니까?

이미지 출처: Tibco.com

신경망 또는 인공 신경망(ANN)은 기계/컴퓨터가 생물학적 뇌와 같은 정보를 처리하도록 가르치는 인공 지능(AI) 및 기계 학습(ML)의 일부입니다. 네트워크에는 이전 활동에서 학습하고 계속 개선할 수 있는 적응 시스템이 있습니다.

신경망은 기계 학습의 하위 그룹이며 그 핵심은 딥 러닝 알고리즘을 사용하여 개발됩니다. “신경망”이라는 이름은 인간 두뇌의 복잡한 뉴런 네트워크와 뉴런이 통신하는 방식에서 영감을 받았습니다.

신경망은 훈련 데이터를 입력으로 사용하여 학습을 지원하고 능력을 향상시킵니다. 정확도가 높아지면서 과거 데이터로부터 지속적인 학습을 제공하므로 강력하고 현대적인 도구가 됩니다.

신경망의 역사는 컴퓨터의 첫 시대로 거슬러 올라갑니다. 신경망의 첫 번째 인스턴스는 Warren McCulloch가 인간의 뇌 기능에 근접할 수 있는 회로 시스템으로 설계했습니다.

1958년 Frank Rosenblatt는 인공 지각의 첫 사례를 개발했습니다. 1982년 John Hopfield가 “반복 신경망”에 관한 논문을 발표했습니다. 신경망은 1988년 단백질 연구 분야에서 광범위하게 사용되었습니다.

이 기술은 단백질의 3차원 형태를 예측하는 데 사용되었습니다. 1992년에는 3D 물체를 인식하는 알고리즘이 개발되었습니다.

현재 신경망은 고도로 발전했습니다. 의료, 항공 우주 및 방위에서 사이버 보안, 마케팅 및 날씨 예측에 이르기까지 여러 부문에서 사용됩니다.

신경망은 어떻게 작동합니까?

위에서 설명한 것처럼 신경망의 발달은 신경 구조 측면에서 인간의 뇌에서 영감을 받았습니다. 인간 두뇌의 뉴런은 신호가 전송되고 정보가 처리되는 복잡하고 고도로 상호 연결된 네트워크를 만들 수 있습니다. 이것은 신경망에 의해 복제되는 뉴런의 기능으로 작용합니다.

신경망이 작동하는 기본 방법은 네트워크 내에서 여러 계층의 뉴런을 상호 연결하는 것입니다. 각 뉴런은 노드를 통해 다른 뉴런에 연결됩니다.

이전 레이어에서 입력을 받고 나중에 레이어로 전달되는 출력을 보낼 수 있습니다. 이 단계는 최종 레이어에서 결정 또는 예측이 이루어질 때까지 계속 반복됩니다.

신경망의 작동은 데이터가 통과하고 처리되는 네트워크의 각 계층의 개별 메커니즘 측면에서 더 잘 이해할 수 있습니다. 기본 구조에는 입력, 숨김 및 출력의 세 가지 계층이 있습니다.

프리텍스팅이란 무엇이며 프리텍스팅으로부터 자신을 보호하는 방법은 무엇입니까?

입력 레이어

이 신경망 계층은 외부 세계에서 데이터를 수집하는 역할을 합니다. 데이터가 수집된 후 레이어는 데이터가 데이터의 내용을 분석하고 더 나은 식별을 위해 데이터에 범주를 추가하도록 처리합니다. 그런 다음 데이터를 다음 계층으로 보냅니다.

히든 레이어

숨겨진 레이어의 데이터는 입력 레이어와 다른 숨겨진 레이어에서 가져옵니다. 신경망에는 숨겨진 계층이 많이 있을 수 있습니다. 각각의 숨겨진 레이어는 이전 레이어에서 전달된 입력을 분석할 수 있습니다. 그런 다음 입력이 처리된 다음 추가로 전달됩니다.

출력 레이어

마지막 숨겨진 레이어에서 전달된 데이터는 출력 레이어에 도달합니다. 이 계층은 신경망의 이전 계층에서 발생하는 데이터 처리의 최종 출력을 보여줍니다. 출력 레이어는 입력에 따라 하나 이상의 노드를 가질 수 있습니다.

예를 들어 바이너리 데이터(1/0, Yes/No)를 처리할 때 단일 출력 노드가 사용됩니다. 그러나 다중 범주 데이터를 처리하는 동안 다중 노드가 사용됩니다.

히든 레이어는 기본적으로 여러 노드 간의 상호 연결을 위한 심층 학습 네트워크입니다. 노드 연결은 “가중치”라는 숫자로 표시됩니다. 노드가 다른 노드에 얼마나 영향을 미칠 수 있는지 나타냅니다. 양수 값은 다른 노드를 자극하는 기능을 나타내고 음수 값은 다른 노드를 억제하는 기능을 나타냅니다.

신경망의 유형

다양한 유형의 사용 및 데이터에 대해 각각 다른 아키텍처를 갖는 다양한 유형의 신경망이 적용됩니다. 신경망의 몇 가지 유형은 다음과 같습니다.

#1. 피드포워드 네트워크

이러한 유형의 신경망에는 여러 개의 상호 연결된 은닉층과 뉴런이 존재합니다. 여기서 정보의 흐름은 역전파 없이 순방향으로만 진행되므로 “피드포워드”라는 이름이 붙었습니다. 이 레이어의 수가 많을수록 가중치 맞춤화에 도움이 됩니다. 따라서 학습.

#2. 퍼셉트론

1개의 뉴런으로 구성된 네트워크의 가장 기본적인 형태입니다. 뉴런은 이진 출력을 얻기 위해 입력에 활성화 함수를 적용합니다. 본질적으로 입력 값과 노드의 가중치를 더하고 합계를 활성화 함수에 전달하여 출력을 생성합니다. 이 유형의 네트워크에는 숨겨진 계층이 없습니다.

#삼. 다층 퍼셉트론

이러한 유형의 신경망은 피드 포워드 시스템에서 지원되지 않는 역전파를 허용합니다. 여기에는 양방향 데이터 흐름을 허용하는 여러 숨겨진 계층 및 활성화 기능이 통합되어 있습니다. 가중치 업데이트가 역방향으로 전파되는 동안 입력은 순방향으로 전파됩니다. 대상에 따라 활성화 기능을 변경할 수 있습니다.

#4. 방사형 기초 네트워크

이 네트워크 범주는 입력 레이어와 출력 레이어 사이에 RBF(Radial Basis Function) 뉴런 레이어를 사용합니다. 이러한 뉴런은 서로 다른 훈련 데이터의 클래스를 저장할 수 있으므로 목표를 예측하는 데 다른 방법을 사용할 수 있습니다. 뉴런은 유클리드 거리를 입력의 특성 값에서 실제로 저장된 클래스와 비교합니다.

#5. 컨볼루션 네트워크

이 신경망에는 그림과 같은 입력에서 중요한 기능을 식별하는 여러 레이어의 컨볼루션이 포함되어 있습니다. 처음 몇 개의 레이어는 낮은 수준의 세부 정보에 초점을 맞추고 후속 레이어는 높은 수준의 세부 정보에 중점을 둡니다. 사용자 정의 매트릭스 또는 필터는 이 네트워크에서 맵을 생성하는 데 사용됩니다.

Gmail에서 Chat 및 Meet을 제거하는 방법

#6. 순환 네트워크

이 네트워크는 주어진 데이터 시퀀스에서 예측을 얻어야 하는 요구 사항이 있을 때 사용됩니다. 마지막 예측의 시간 지연된 입력을 사용할 수 있습니다. 이것은 RNN 데이터 셀에 저장되며 예측에 사용되는 두 번째 입력으로 사용됩니다.

#7. 단기 기억 네트워크

이러한 유형의 신경망에서는 더 긴 기간 동안 정보를 저장하고 Vanishing Gradients 문제를 극복하기 위해 추가 특수 메모리 셀이 사용됩니다. 논리 게이트는 사용하거나 폐기해야 하는 출력을 식별하는 데 사용됩니다. 따라서 여기에 사용되는 세 가지 논리 게이트는 Input, Output 및 Forget입니다.

신경망의 이점

신경망은 많은 이점을 제공합니다.

구조로 인해 데이터를 처리하고 실제 세계에 대한 복잡하고 비선형적인 관계를 학습하고 학습을 일반화하여 새로운 출력을 생성할 수 있습니다.
신경망은 입력에 제한이 없습니다. 따라서 이들은 데이터 간의 숨겨진 관계에 대해 학습할 수 있는 이분산성을 모델링할 수 있습니다.
신경망은 전체 네트워크에 데이터를 저장하고 부족한 데이터에 대해 작업할 수 있습니다. 이렇게 하면 데이터 중복이 생성되고 데이터 손실 위험이 줄어듭니다.

중복 연결이 있기 때문에 여러 데이터를 동시에 병렬로 처리할 수 있습니다. 이는 신경망이 동시에 여러 기능을 수행하는 데 도움이 될 수 있음을 의미합니다.
데이터 처리를 조정하는 기능은 강력한 내결함성을 제공하고 지속적으로 개선하도록 스스로 훈련합니다.
네트워크는 분산 메모리를 사용하므로 데이터 손상에 강합니다.
기계가 더 나은 결정을 내리도록 훈련시킬 수 있는 과거 사건으로부터 배울 수 있습니다.

신경망의 응용

주식 시장 성과 예측: 다층 퍼셉트론은 종종 주식 시장 성과를 예측하고 주식 시장 변화에 대비하는 데 사용됩니다. 시스템은 이익률, 연간 수익률 및 주식 시장의 과거 실적 데이터를 기반으로 예측합니다.

얼굴 인식: 컨볼루션 네트워크는 주어진 얼굴 ID를 데이터베이스의 얼굴 ID 목록과 일치시켜 긍정적인 일치를 표시하는 얼굴 인식 시스템을 실행하는 데 사용됩니다.
소셜 미디어 행동 연구: 멀티플레이어 퍼셉트론은 가상 대화 및 소셜 미디어 상호 작용을 통해 소셜 미디어에서 사람들의 행동을 연구하는 데 사용할 수 있습니다. 이 데이터는 마케팅 활동에 사용될 수 있습니다.
항공우주 연구: 시간 지연 네트워크는 패턴 인식, 제어 시스템 확보, 고성능 자동 조종, 항공기 결함 진단 및 시뮬레이션 개발과 같은 항공학의 다양한 분야에서 사용될 수 있습니다. 이는 업계의 안전 및 보안 관행을 강화하는 데 도움이 됩니다.
방어 계획: 신경망을 사용하여 방어 전략에 액세스하고 개발할 수 있습니다. 이 기술은 방어 위험을 예측하고 자동화 장비를 제어하며 잠재적인 순찰 지점을 식별하는 데 사용할 수 있습니다.
의료: 이 네트워크는 초음파, CT 스캔 및 X-레이를 위한 더 나은 이미징 기술을 만드는 데 사용할 수 있습니다. 이것은 또한 환자 데이터를 더 잘 기록하고 추적하는 데 도움이 될 수 있습니다.
신원 확인: 필기 패턴은 신경망을 사용하여 식별할 수 있습니다. 이는 필기 및 서명 확인 시스템을 통해 위조의 잠재적 증거를 식별하는 데 도움이 될 수 있습니다.
일기 예보: 기상 위성의 데이터는 더 높은 정확도로 동적 모델링 및 기상 패턴 예측에 사용될 수 있습니다. 이를 통해 자연 재해에 대한 조기 경보를 생성하여 적시에 예방 조치를 취할 수 있습니다.

iPhone 7 및 7 Plus에서 복구 모드로 들어가는 방법

학습 리소스

#1. Udemy의 딥 러닝 AZ

Udemy의 Deep Learning AZ는 Python을 사용하고 Deep Learning 알고리즘을 만드는 방법을 배우는 데 도움이 됩니다. 코스 시간은 22시간 33분입니다.

이 과정은 학생들에게 다음을 가르칩니다.

AI, 신경망, 자가 구성 지도, Boltzmann Machine 및 자동 인코더의 개념을 더 잘 이해합니다.
이러한 기술을 실생활에 적용하는 방법.

코스 가격은 $39.98입니다.

#2. Udemy의 데이터 과학

데이터 과학은 기계 학습에 사용되는 신경망 이론을 심층적으로 다루는 심층 학습 및 신경망에 대한 훌륭한 과정입니다. 이 과정은 Udemy에서도 제공합니다. 지속 시간은 12시간입니다.

이 과정은 다음을 가르칩니다.

딥러닝과 신경망 기능에 대하여
처음부터 신경망용 코드 개발

코스 가격은 $35.13입니다.

#삼. Udemy의 신경망 구축

Udemy 과정 Building Neural Networks in Python 처음부터 학습자는 경사 하강법 및 선형 회귀를 사용하여 딥 러닝 및 머신 러닝을 개발할 수 있습니다. 교육시간은 3시간 6분입니다.

이 과정은 다음을 가르칩니다.

선형 회귀, 역전파, 비용 함수와 같은 신경망의 기본 기능에 대해
신경망을 훈련하려면 신경망을 분류하고, 학습 속도를 조정하고, 입력을 정규화하고, 정확도를 최적화하십시오.

코스 가격은 $31.50입니다.

#4. Coursera의 신경망 및 딥 러닝

신경망 및 딥 러닝 과정은 Coursera에서 제공합니다. 이것은 딥 러닝을 전문으로 하는 첫 번째 과정이며 기본 개념에 중점을 둡니다. 코스 기간은 25시간입니다.

이 과정은 다음을 가르칩니다.

딥 러닝의 발전을 주도하는 중요한 기술 동향에 익숙해지기
딥 러닝을 교육하고 완전히 연결된 네트워크를 개발하는 데 사용하는 방법을 알아보세요.

이 과정은 무료로 제공됩니다.

#5. 고급 딥 러닝 및 NLP 구축

고급 딥 러닝 및 NLP 구축 과정은 Educative에서 제공합니다. 과정은 완료하는 데 약 5시간이 걸립니다.

이 과정은 다음을 가르칩니다.

실습 코딩 환경에서 작업
딥 러닝의 개념에 대해 알아보고 자연어 처리(NLP) 및 고급 딥 러닝과 관련된 프로젝트를 실습합니다.

코스 가격은 월 $9.09입니다.

#6. Python을 사용한 신경망 프로젝트:

James Loy의 이 책은 Python을 사용하는 방법과 인공 신경망의 힘을 발견하는 방법에 대한 궁극적인 가이드입니다. 신경망을 사용하는 Python의 6개 프로젝트를 통해 신경망을 배우고 구현할 수 있습니다. 이 프로젝트를 완료하면 ML 포트폴리오를 구축하는 데 도움이 됩니다.

이 과정은 다음을 가르칩니다.

LSTM 및 CNN과 같은 신경망 아키텍처
Keras와 같은 인기 있는 라이브러리를 사용하려면
프로젝트에는 감정 분석, 얼굴 식별, 물체 감지 등이 포함됩니다.

#7. 신경망 및 딥 러닝

Charu C. Aggarwal의 이 책은 딥 러닝의 현대 및 고전 모델을 다룹니다. 여러 응용 프로그램에 적용할 수 있도록 딥 러닝 및 신경망의 알고리즘과 이론을 알려줍니다.

또한 추천 시스템, 이미지 캡션 및 분류, 텍스트 분석, 기계 번역, 게임 등과 같은 애플리케이션도 다룹니다.

당신은 배울 것이다:

신경망 기초
신경망의 기초
GAN, 신경 튜링 머신 등과 같은 고급 신경망 주제

결론

신경망은 본질적으로 인간 지능에 가까운 방식으로 학습을 지원하는 AI의 일부입니다. 이들은 각각 고유한 기능과 출력이 있는 여러 계층으로 구성됩니다. 정확성, 데이터 처리 기능, 병렬 컴퓨팅 등과 같은 이점을 감안할 때 신경망의 응용 프로그램은 예측 및 더 현명한 결정을 위해 여러 부문에서 증가하고 있습니다.

컨볼루션 신경망을 탐색할 수도 있습니다.