흠 그럼 또 and or xor nand 나오겠네요..
표현학습 = 신경망으로 구현한다.
신경망 = 방대하고 복잡한 데이터의 특징을 추출하는데 특화
사람이 피쳐를 결정해준다 -> 사람이 꼬리, 귀의 길이를 입력해줬다.
데이터를 그대로 입력해서 출력을 얻는 것 - 표현학습 == 신경망으로 구현한다.
신경망 - 인간의 두뇌를 모방
우린 인공 신경망을 만든 것이다.
시간의 순서대로 각각의 단점을 보완하면서 발전되었다.
단층 퍼셉트론의 한계 - 간단한 문제밖에 풀지 못한다. 입력과 출력 사이에 여러 층을 넣으면 해결할 수 있을 것 같으나 학습을 어떻게 하냐!
히든 레이어를 엄청 늘려보자 ! 표현학습에서 특징을 잘 추출하는 것 같다! -> 또 문제... => 기울기 소실, 과적합...
사람이 뭔가 사전 작업을 해주거나, 복잡한 데이터를 만지지 않아도 그대로 학습 할 수 있다.
A,B,C를 구별하였다.
n개의 입력, 노드의 집합 = 레이어
이미지를 입력한다 -> 픽셀마다 (0~ 255)의 RGB나 흑백 값
시그모이드, ReLU의 등장!
네 결국 나왔씁니다.. OR
가로지느는 직선으로 구분할 수 있다!
-0.5가 바이어스가 된다.
활성화 함수에 왜 -1이 있는지 모르겠는데 1과 0으로 나눈다.
이제 학습하여 실제 사용하는 프로세스를 확인해보자
원하는 w와 b구하기! -> 이 후 활용하기!
사진이 아니라 피쳐를 준다면 단층으로도 가능하겠네요 ( 여긴 사진으로 가능하다는데.... 잘 되려나...?)
단층 퍼셉트론에서는 어떻게 할까? -> 컴퓨터가 데이터로부터 학습한다.
이게 Representation learning이다. -> 우리가 생각한 특징을 피쳐로 잡지 않을 수 있다.
이 사진의 경우 이 것을 특징으로 잡을 수 있다.
데이터 기반으로 컴퓨터가 뽑는다! -> 뭔지 몰랑 CAM에서 확인 가능
CAM은 여기서...
2023.12.14 - [인공지능/공부] - CAM 실습 - MNIST, TensorFlow
CAM 실습 - MNIST, TensorFlow
import numpy as np import matplotlib.pyplot as plt import tensorflow as tf from tensorflow.keras.datasets import mnist from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Conv2D, BatchNormalization, Activation, GlobalAverag
yoonschallenge.tistory.com
2023.12.14 - [인공지능/공부] - 설명 가능한 인공지능 CAM - 개념
설명 가능한 인공지능 CAM - 개념
기존 CNN, FCN은 설명이 불가능하다.(출력만 나온다. API) CNN에서 중요한 부분은 높은 가중치를 받는다. -> 이걸 확인하면 우린 네트워크를 설명할 수 있다. CLASS ACTIVATION MAP - CAM 우린 이러한 이유로 C
yoonschallenge.tistory.com
피쳐를 누가 뽑느냐가 머신 러닝과 표현 학습이 나뉘게 된다.
'인공지능 > 공부' 카테고리의 다른 글
| 머신러닝 5주차 1차시 - overfitting 과적합 (1) | 2024.04.01 |
|---|---|
| 인공지능과 빅데이터 5주차 3차시 - 단층 퍼셉트론의 한계와 다층 퍼셉트론 (0) | 2024.04.01 |
| 인공지능과 빅데이터 5주차 1차시 - 비지도 학습 및 강화 학습 개요 (0) | 2024.04.01 |
| 딥러닝 개요 복습 2 (0) | 2024.03.28 |
| 강화학습 과제 1 최종 - N Step TD 구현하기 (12) | 2024.03.27 |