2019년 1월 24일
인공신경망 (Artificial Neural Network)
I. 분류와 예측 모형, 인공신경망, ANN
가. 인공신경망의 개념
 |
- 인간의 뉴런을 모방하여 가중치 조정을 통한 분류와 예측을 위해 다수 노드를 연결한 계층적 조직
나. 인공신경망의 특징
| 특징 | 구성요소 |
|---|---|
| 예를 통한 학습 | – 예를 계속 제시하여 원하는 형태 학습 |
| 일반화 | – 학습 후 미학습된 입력에도 올바른 출력 |
| 연상기억 | – 일부 유실된 정보 → 유사한 출력 |
| 결함 허용성 | – 일부노드 고장 → 잔여노드로 정상작동 |
- 인공신경망은 AI 기술 구현 위한 핵심 기술
다. 인공신경망 구성요소
| 구조 | 구성요소 | 설명 |
|---|---|---|
| Input Layer | 입력값 | – 입력층에 유입되는 데이터 |
| Hidden Layer | 가중치 | – 노드 간 연결 계수 |
| 입력함수 | – ∑(입력값 ×가중치) | |
| 활성화함수 | – 노드 활성화 여부 결정 | |
| Critical Point | – 활성화 되기 위한 최소값 | |
| Output Layer | 출력값 | – 도출된 결과 값 출력 |
- 데이터를 신경망에 입력하여 출력 값과 기대 값을 비교하고 오차를 최소화하도록 조정
II. 인공신경망의 전파규칙
가. 인공신경망의 전파규칙 절차도
 |
- 특정 처리기로 유입되는 NET Input 조합하여 현재 상태로부터 새로운 상태 출력 규칙
나. 인공신경망 전파규칙
| 규칙 | 핵심 요소 | 설명 |
|---|---|---|
| 입력 | – Net Input – Input Layer | – 인공신경망에 입력값 유입 – 영상, 음성, 데이터 등 |
| 입력 가중합 | – 값 – Hidden Layer | – 입력 및 이전 노드의 합 – 활성화 함수 입력으로 사용 |
| 활성화 함수 | – f(NET) 결과 – ‘0’ or ‘1’ | – NET 기준 y 값 활성화/비활성 – Sigmoid, ReLu, tanh 함수 |
| 출력 | – 출력 값 y – Output Layer | – 학습 시 기대 값과 비교 – 학습완료 시 결과물 출력 |
- 인공신경망 전파를 통해 학습 수행 및 결과 도출
III. 인공신경망의 활성화 규칙
가. 인공신경망의 활성화 규칙 그래프
 | – 활성화 규칙 입력가중합(NET)이 임계치 T보다 큰 경우 y = ‘1’로 활성화 |
나. 인공신경망의 활성화 함수 유형
| 함수 | 그래프 | 설명 |
|---|---|---|
| 항등 함수 |  | – 선형연속함수 – 입력이 그대로 출력 – f(NET) = NET |
| 계단 함수 |  | – 디지털 형태의 출력 – f(NET) = 1 : NET > T, 0 : NET < T |
| Sigmoid 함수 |  | – 미분 불가능 지점에서 사용 함수 – 계단 함수 곡선화 |
| ReLu 함수 |  | – 역전파 시 경사감소 소멸 문제 해결 – 계산이 간단 |
| tanh 함수 |  | – 삼각함수 알고리즘기반 활성화 사용 – Sigmoid 범위 확장 |
- Sigmoid의 역전파 시 경사감소소멸 문제 해결한 ReLu 함수를 변형한 Leaky ReLu 함수 연구
IV. 인공신경망의 학습 규칙
가. 인공신경망의 학습 규칙 절차
 |
- 특정 목적에 적합하게 뉴런 간의 연결 강도 적응 과정
나. 인공신경망 학습규칙기반 학습유형과 알고리즘
| 유형 | 알고리즘 | 설명 |
|---|---|---|
| 지도 학습 | – KNN – MLP – SVM | – Labeled Data 기반 비교 검증 – 회귀와 분류, 예측모델 – 질병진단, 회귀 분석 적용 |
| 비지도 학습 | – K-means – 군집(Cluster) – DBSCAN | – Raw Data 기반 데이터 분류 – 군집과 패턴인식 분류 – 차원축소, 데이터마이닝 적용 |
| 강화 학습 | – Q-learning – Policy Gradient – DQN | – 벌칙과 보상 기반 최적 학습 – 시행착오와 최적 제어 – 알파고, 게임, 로보틱스 적용 |
- 학습 유형에 따라 지도학습은 정확한 결과 도출, 비지도 학습은 패턴 인식, 강화 학습은 시행착오 기반 스스로 학습 수행
V. 인공신경망의 활용사례와 부정적 측면 및 고려사항
가. 학습과 산업계 적용한 인공신경망 활용사례
| 구분 | 활용사례 | 설명 |
|---|---|---|
| 신경망 학습 | – 알파고 제로 | – AI 간 대국을 통한 기보 학습 – 인간역량의 한계 초월 가능 |
| 산업계 적용 | – 챗봇 상담 – AI기반 진료 | – 다양한 산업에 적용 가능 – 학습량 증가 시 예측도 정확 |
나. 인공신경망 발전에 따른 부정적 측면 및 고려사항
| 구분 | 부정적 측면 | 고려사항 |
|---|---|---|
| 기술 측면 | – AI기능 오작동 – 트롤리 딜레마 | – 인간과 AI 간의 관계 연구 – 윤리 문제의 사회적 합의 필요 |
| 사회 측면 | – AI의 인력 대체 이슈 | – 단기적 AI 운용 역량 필요 – 장기적 AI 활용 전략 연구 |
- 인간이 기계에 완전 대체를 방지하기 위해 초기부터 AI가 사람을 보조하도록 발전 필요
About The Author
도리
4 Comments
자료가 너무 멋있어요
자료 출처가 보통 어디를 참고하시는지 궁금합니다
보통 공공기관 지침이나 가이드, 논문, 서적 등을 참고하고, 블로그나 웹 검색해서 좋은 내용이 있으면 참고합니다.
인공 신경망의 개념 그림 참조하겠습니다!