인공지능 13강 - 인공 신경망(2) 이번 강의에서는 은닉층이 있는 다층 퍼셉트론을 오차역전파로 학습시키는 원리와 연결가중치의 미분 과정을 학습합니다. 이어 제한 볼츠만 머신과 심층 신뢰망, 자기조직화 지도와 LVQ를 통해 지도학습·비지도학습 및 대표벡터 학습의 차이를 이해합니다. 비선형 결정경계와 다층 퍼셉트론 은닉층이 필요한 이유 단층 퍼셉트론은 하나의 선형 결정경계로 분리할 수 있는 문제를 다룹니다. 그러나 실제 분류 문제에는 하나의 직선이나 초평면만으로 두 클래스를 나눌 수 없는 경우가 많습니다. 다층 피드포워드 신경망은 입력층과 출력층 사이에 하나 이상의 은닉층을 두고 여러 단계의 선형 결합과 비선형 활성화를 구성하여 이러한 문제를 해결합니다. 강의의 예에서는 입력 x 1 , x 2 에 대해 두 판별식 D 1 (x 1 ,x 2 )=-x 1 -x 2 +1.5와 D 2 (x 1 ,x 2 )=x 1 +x 2 -0.5가 은닉 뉴런 u 1 , u 2 의 출력을 만듭니다. 출력층은 이 중간 표현을 다시 결합하여 원래 입력공간에서 하나의 직선으로 분리하기 어려운 영역을 표현합니다. 은닉층 학습의 문제 지도학습 표본은 입력과 최종 레이블을 제공하지만 은닉층의 뉴런이 어떤 값을 출력해야 하는지는 직접 알려 주지 않습니다. 따라서 은닉층에 목표 출력이 없는 상태에서는 각 은닉 뉴런에 단순 퍼셉트론 학습 규칙을 그대로 적용할 수 없습니다. 이 문제를 해결하려면 최종 출력의 오차가 은닉층의 각 연결가중치에 얼마나 책임이 있는지를 계산해야 합니다. 1974년 Paul Werbos, 1986년 Rumelhart 등에 의해 다층 퍼셉트론의 학습 방법이 개발되었으며, 그 핵심이 오차역전파입니다. 시험 핵심: 은닉층은 비선형 분리 문제를 위한 중간 표현을 만들지만 은닉층 레이블은 제공되지 않습니다. 오차역전파는 출력층 오차를 뒤쪽 층에서 앞쪽 층으로 전달하여 이 ...