문과생CS정복기

비전 분야에서는 전통적인 MLP (MultiLayer Perceptron) 모델이 갖는 몇 가지 한계로 인해 주로 CNN (Convolutional Neural Network)이 널리 사용됩니다. MLP와 CNN은 모두 딥러닝 모델의 유형이지만, 이미지와 같은 고차원 데이터를 처리할 때 CNN이 더 적합한 구조를 가지고 있습니다.MLP의 한계MLP는 이미지와 같은 고차원 데이터를 처리할 때 몇 가지 제약이 있습니다:데이터의 공간 구조 무시: MLP는 입력 데이터를 일렬로 펼쳐야 하기 때문에 (Flatten), 이미지의 공간적인 정보가 손실됩니다. 이로 인해 이미지 내의 로컬 패턴과 구조를 학습하는 데 비효율적일 수 있습니다.매개변수의 수: 이미지를 일렬로 펼치면 매우 많은 수의 입력 특성이 생성됩니다. ..

MLPMLP는 "Multi-Layer Perceptron"의 약자로, 기본적인 형태의 인공 신경망을 말합니다. MLP는 하나 이상의 hidden layer를 포함할 수 있으며, 각 layer는 여러 개의 뉴런(또는 노드)으로 구성됩니다. MLP는 일반적으로 supervised learning, 즉 지도 학습 문제에 사용됩니다.MLP의 주요 구성 요소Input Layer: 입력 데이터를 받는 첫 번째 층입니다. 각 뉴런은 데이터의 한 특성(feature)에 대응됩니다.Hidden Layers: 하나 이상 존재할 수 있는 중간 층으로, 복잡한 데이터 특징을 학습하는 데 사용됩니다. 각 hidden layer의 뉴런 수는 자유롭게 설정할 수 있으며, 이 수가 많을수록 모델은 더 복잡한 패턴을 학습할 수 있지만..

ReLU (Rectified Linear Unit)는 컨볼루션 신경망(CNN)과 다른 인공 신경망에서 널리 사용되는 활성화 함수입니다. ReLU 함수는 신경망의 각 뉴런에서 입력 신호를 변환하는 역할을 하며, 이 변환된 값이 네트워크의 다음 레이어로 전달됩니다.ReLU 함수의 정의ReLU 함수는 간단하게 다음과 같이 정의됩니다:[\text{ReLU}(x) = \max(0, x)]이 함수는 입력 ( x )가 0 이상이면 그 값을 그대로 출력하고, 0 미만이면 0을 출력합니다.ReLU의 주요 특징비선형성: ReLU는 비선형 함수이므로, ReLU를 사용하는 신경망은 복잡한 함수를 모델링할 수 있습니다. 이 비선형성은 신경망이 선형 모델로는 해결할 수 없는 문제들을 해결하게 해줍니다.계산 효율성: ReLU의 계..

DNN, CNN, RNN, 그리고 GAN은 모두 딥러닝 모델의 유형으로, 각각의 모델은 특정 종류의 데이터 또는 문제를 해결하기 위해 설계되었습니다. 이들의 기본 개념과 주요 용도를 간단하게 설명하겠습니다.1. DNN (Deep Neural Network, 심층 신경망)기본 개념: 여러 개의 은닉층을 포함하는 전통적인 인공 신경망입니다. 각 레이어는 선형 변환과 비선형 활성화 함수를 통해 데이터를 변형합니다.주요 용도: 분류, 회귀, 패턴 인식 등 일반적인 머신러닝 문제에 사용됩니다. 예를 들어, 고객의 구매 이력 데이터를 사용하여 향후 구매 가능성을 예측할 수 있습니다.2. CNN (Convolutional Neural Network, 합성곱 신경망)기본 개념: 이미지 데이터의 합성곱 층을 사용하여 이..