데이터의 민족

1. 데이터에서 학습한다! 1 - 1. 데이터 주도 학습 데이터의 특징을 추출하고 그 특징의 패턴을 기계학습 기술로 학습 이미지는 주로 벡터 / 비전 분야는 SIFT, SURF, HOG 등의 특징을 많이 사용 2. 손실 함수 신경망 학습에서 사용하는 지표는 '손실 함수' 일반적으로 '오차제곱합'과 '교차 엔트로피 오차' 사용 2 -1. 오차제곱합 yk는 신경망의 출력 / tk는 정답 레이블 / k는 데이터 차원 수 이미지가 '0'일 확률은 0.1 / '1'일 확률은 0.05 / '2'일 확률은 0.6 import numpy as np y = [0.1,0.05, 0.6, 0.0, 0.05, 0.1, 0.0, 0.1, 0.0, 0.0] t = [0, 0, 1, 0, 0, 0, 0, 0, 0, 0] def s..

1. 퍼셉트론에서 신경망으로 1 - 1. 신경망 입력층, 은닉층, 출력층으로 구성 1 - 2. 활성화 함수 입력 신호의 총합을 출력 신호로 변환하는 함수를 의미 'a' 는 가중치가 달린 입력 신호와 편향의 총합을 계산 'a'를 함수 h()에 넣어 y를 출력 2. 활성화 함수 활성화 함수는 임계값을 경계로 출력이 변경하는데, 이를 계단 함수라 지칭 2 - 1. 시그모이드 함수 exp(-x)는 e**-x를 의미하며, e는 자연 상수로 2.7182...의 값을 가지는 실수 h(1.0) = 0.731... / h(2.0) = 0.880... 신경망에서는 활성화 함수로 시그모이드 함수를 이용하여 신호를 변환하고, 그 신호를 뉴런에 전달 2 - 2. 계단 함수 구현하기 입력이 0을 넘으면 1을 출력하고, 그 외에는..

1. 정의 다수의 신호를 입력으로 받아 하나의 신호를 출력 복수의 입력 신호에 각각에 고유한 가중치 부여 가중치는 각 신호가 결과에 주는 영향력을 조절하는 요소, 가중치가 클수록 신호의 중요도 상승 x1, x2는 입력신호 / y는 출력신호 / w1, w2는 가중치 수식 2. 단순한 논리 회로 2 - 1. AND 게이트 입력 신호와 출력 신호의 대응 표 = 진리표 2 - 2. NAND게이트와 OR게이트 NAND = Not AND : AND게이트를 뒤집은 것 예시 : (w1, w2, 세타) = (-0.5, -0.5, -0.7) 2 - 3. 퍼셉트론 구현하기 def AND(x1, x2): w1, w2, theta = 0.5, 0.5, 0.7 tmp = x1 * w1 + x2 * w2 if tmp theta: ..