[인공지능] 인공신경

인공신경

자극을 전달받고 전달하는 것  단순화해서 표현을 할 수 있습니다. 

 

자극이 와서 얼마나 전달할지 정해지는 것입니다. 노드가 받은 것을 출력할 때는 0, 1로 출력을 합니다. 

입력값은 어떤 자극이 들어오냐에 따라 변할 수 있는 변수입니다. 

 

노드( 빨간 원 ) 에서 전달할지 말지 정하는 것입니다. 들어오는 값이 어느정도 이상이면 1, 아니면 0을 출력하는 방식으로 진행됩니다. 양수가 들어오면 1, 음수가 들어오면 0이 들어온다고 가정을 해봅시다. 

 

어떤 Input에 따라서 상황이 다를 것입니다. Weight의 역할은 어떠한 중요도의 역할을 하는 것입니다. Input에 똑같은 1을 곱해주는 것이 아닌 중요한 부분에 가중치를 높여주는 작업이 필요합니다. 

 

노드와 엣지로 이루어져 있는 것이 인공신경입니다.

-웨이트 곱하고 바이어스 더하고, 엑티베이션

 

주어진 입력에 대해 원하는 출력이 나오도록 웨이트와 바이어스를 AI가 알아내는 것이 바로 AI가 학습을 하는 것입니다. 

 

인공신경이 AI가 스스로 적절한 웨이트와 바이어스를 알아내게 됩니다. 

 

인공신경망

숫자가 어떤 것이랑 매치가 되는 것은 우리가 정의를 하는 것입니다. 

 

매핑하는 것은 정의하기 나름이고 숫자가 들어와서 숫자가 나간다라는 개념으로 보시면 됩니다. 

 

ANN은 인공신경망을 의미하는 것입니다. 곱하고 더하고 activation 이렇게 해서 나가는 것의 반복입니다. 

 

Input Layer

입력으로 나가는 층

 

Output Layer

출력으로 가는 층

 

Hidden Layer

보이지 않는 층 

 

Deep Neural Network

 

인공신경망은 함수다. x -> f -> f(x) = x^2

 

주어진 입력에 대해서 원하는 출력이 나오도록 하는 함수를 만들자는 것입니다. 이는 함수를 인공신경망으로 표현했으니 웨이트 바이어스를 알아내는 것이 바로 딥러닝의 목표입니다.

 

선형회귀

입력과 출력 간의 선형 관계를 파악하는 것 -> 처음 보는 입력에 대해서도 적합한 출력을 얻기 위해 

 

ex) 키와 몸무게의 선형관계를 파악해서 적합한 값을 찾는 것 

 

loss (=cost)를 최소화하는 a, b가 적절한 a, b 

 

3️⃣ 선형 회귀의 시각적 이해

데이터를 산점도(Scatter Plot)로 표현했을 때, 선형 회귀 모델은 데이터의 추세를 가장 잘 설명하는 직선을 그려줍니다.

📌 예제

• 단순 선형 회귀
  • 공부 시간(xxx)에 따라 시험 점수(yyy)가 변한다고 가정
  • "공부 시간이 많을수록 시험 점수가 올라간다"는 관계를 직선으로 나타냄
• 다중 선형 회귀
  • 공부 시간(x1x_1x1​), 수면 시간(x2x_2x2​), 스트레스 지수(x3x_3x3​) → 시험 점수(yyy) 예측
  • 여러 개의 변수를 고려하여 결과를 예측

---

🔹 선형 회귀의 한계

1. 비선형 관계를 잘 설명하지 못함
   • 현실 세계의 데이터는 꼭 직선 관계가 아닐 수도 있음
   • 복잡한 데이터에는 **비선형 회귀(예: 다항 회귀, 신경망 등)**가 필요
2. 이상치(Outlier)에 민감함
   • 데이터에 이상치가 있으면 직선의 기울기가 크게 변할 수 있음
3. 다중 공선성 문제
   • 다중 선형 회귀에서 독립 변수끼리 상관관계가 높으면 모델 성능이 저하됨