[머신러닝] Neural Network란?
기본적인 개념과 용어에 대해 알아보기
우리의 뇌는 수많은 뉴런으로 이루어져 있다. 우리의 뇌는 상당히 많은 양의 데이터를 빠르게 처리할 수 있다. 사람의 뇌에서 영감을 받아 만들어진 것이 바로 Neural Network 모델이다. Neural Network 모델을 활용하면 데이터에서 복잡한 패턴과 관계를 학습할 수 있다. 이러한 네트워크는 다수의 뉴런(또는 노드)이 서로 연결되어 복잡한 함수를 모델링할 수 있으며, 이를 통해 이미지 인식, 언어 번역, 음성 인식과 같은 다양한 문제를 해결할 수 있다.
Neural Network의 기본 구조는 입력층(Input Layer), 하나 이상의 은닉층(Hidden Layers), 그리고 출력층(Output Layer)으로 구성된다. 입력층은 외부 데이터를 받아들이는 곳이며, 출력층은 최종 결정이나 예측을 진행한다. 그 사이에 위치한 은닉층은 실제 연산과 학습이 이루어지는 곳으로, 이 층들이 더 많거나 뉴런의 수가 많을수록 모델은 더 복잡한 관계를 학습할 수 있다. 하지만 지나치게 뉴런이 많아지면, 과적합(Overfitting)의 위험도 증가한다.
뉴런들은 가중치(Weights)와 편향(Bias)을 이용하여 입력 데이터를 변환하고, 이러한 변환된 값들은 활성화 함수(Activation Function)를 통해 다음 층으로 전달된다. 활성화 함수는 뉴런의 출력을 결정하는데, 비선형 함수를 사용함으로써 네트워크가 복잡한 문제를 해결할 수 있도록 도와준다. 대표적인 활성화 함수로는 시그모이드(Sigmoid), 렐루(ReLU) 등이 있다.
가장 대표적으로 많이 나오는 예시가 바로 이미지 인식이다. 사진이 고양이인지 아닌지 판단하거나, 아니면 손으로 쓴 숫자를 판별하는 등이 바로 그 예시이다.
사진은 여러 픽셀(Pixel)로 이루어져 있고, 각 픽셀은 숫자로 이루어진 데이터이다. 이러한 픽셀 데이터를 각 뉴런에 넣어서 가중치와 편향을 적용해 출력값을 도출한다. 하나의 층에서 출력된 값은 다음 층에서 입력값으로 사용된다. 출력층에서 나온 값은 보통 확률값이 나온다. 즉, 특정 분류에 속할 확률이 어느 정도인지를 나타낸다고 볼 수 있다.
출처: https://www.guru99.com/convnet-tensorflow-image-classification.html네트워크 모델이 정교하게 사진을 분류하려면 학습을 해야 한다. 네트워크 모델을 학습시킨다는 의미는 각 뉴런에서 적용한 가중치와 편향을 최적화한다는 의미이다. 특정 뉴런의 가중치가 높다면 그만큼 영향도가 높다는 의미이기 때문이다.
학습 과정에서는 손실 함수(Loss Function)를 사용하여 모델의 예측이 실제 값과 얼마나 차이가 나는지를 측정한다. 만약 예측한 값이 실제 값과 차이가 적다면, 그만큼 정확도가 높다는 의미이다. 즉, 이 손실을 최소화하는 게 학습의 목표라고 할 수 있다.
모델은 학습을 진행하면서 이 손실을 최소화하기 위해 역전파(Backpropagation) 알고리즘과 경사 하강법(Gradient Descent)을 이용하여 가중치와 편향을 조정한다. 이 과정은 데이터셋을 여러 번 반복하면서 진행되며, 각 반복을 에포크(Epoch)라고 한다.
Neural Network는 그 유연성과 강력한 학습 능력으로 인해 다양한 분야에서 활용되고 있으며, 깊은 층을 가진 딥 러닝(Deep Learning) 모델의 기초가 되기도 한다. 이러한 네트워크는 비단 이미지나 음성뿐만 아니라, 시계열 데이터, 텍스트 데이터 등 다양한 형태의 데이터를 처리할 수 있으며, 인간의 뇌가 작동하는 방식을 모방하여 더욱 진보된 인공지능 시스템을 구현하는 데 기여하고 있다.
참고자료
https://www.guru99.com/convnet-tensorflow-image-classification.html
잘못된 내용은 댓글로 남겨주시면 빠르게 정정하겠습니다. 많은 가르침 부탁드립니다.
이메일로 블로그 받아보기: https://growthminder.substack.com/subscribe
