인공지능 12강 - 인공 신경망(1) 인공 신경망은 생물학적 신경계의 연결 구조를 모델링하고, 연결 가중치를 학습하여 입력과 출력의 관계를 표현하는 계산 모델입니다. 이번 강의에서는 인공 뉴런의 구조와 활성함수, 신경망 학습의 절차와 진행 단위를 살펴본 뒤, 단층 퍼셉트론의 학습 규칙과 선형 분리 한계 및 XOR 문제의 2단계 해법을 학습합니다. 인공 신경망의 출발점 생물학적 신경 구조의 모델링 사람의 두뇌는 약 10억~100억 개의 신경세포, 즉 뉴런(neuron)으로 구성됩니다. 각각의 뉴런이 수행하는 처리는 비교적 단순하지만, 한 뉴런은 약 1천~10만 개의 다른 뉴런과 신경연접(synapse)을 통해 연결됩니다. 신경연접을 통과하는 신호는 연결의 특성에 따라 증폭되거나 감쇄되어 전달됩니다. 생물학적 뉴런은 수상돌기(dendrite)를 통해 신호를 받아들이고, 신경세포체에서 이를 처리한 뒤, 축삭돌기(axon)를 통해 다른 뉴런으로 출력을 전달합니다. 인공 신경회로망(Artificial Neural Network, ANN)은 이러한 신경 구조와 연결 방식을 계산 모델로 추상화하여 지능적 처리에 응용하려는 시도입니다. CPU와 뉴런의 처리 방식 구분 CPU 뉴런 처리 속도 수 나노초(10 −9 초) 단위 수 밀리초(10 −3 초) 단위 처리 방법 나열된 명령어를 순차적으로 수행 많은 뉴런이 동시에 동작하는 대단위 병렬처리 개별 뉴런은 CPU보다 느리지만 매우 많은 뉴런이 병렬로 연결되어 전체적으로 복잡한 처리를 수행합니다. 인공 신경망 역시 단순한 연산기를 다수 연결하여 분산된 병렬 계산을 수행한다는 관점을 취합니다. 인공 신경망의 주요 특성 인공 신경망은 입력값을 합하고 변환하는 간단한 연산 기능을...