1-1. Artificial Neurons 이론 (1)

인공 뉴런 - 매개변수 함수:

• 인공 뉴런 모델은 다양한 수학적 함수를 매개변수로 사용하여 입력 데이터를 변환한다. 예를 들어, 지수 함수(ex)와 로그 함수(log(x))는 데이터를 변환하는 데 사용되는 기본적인 함수 유형이다. 이러한 함수들은 인공 뉴런의 출력을 결정하는데 중요한 역할을 한다.

인공 뉴런 - 텐서 계산의 계층 구조:

• 텐서 연산은 인공 뉴런의 핵심적인 계산 메커니즘이다. 제로 차수(스칼라)부터 세 번째 차수(3D 텐서)까지의 연산을 설명하며, 이러한 연산은 복잡한 데이터 구조를 처리하는 데 필수적이다.

인공 뉴런 - 데이터셋(X 데이터):

• 인공 뉴런 학습에 사용되는 데이터셋의 구조에 대해 설명한다. 이 구조는 학습 과정에서 입력 데이터가 어떻게 조직되고, 처리되는지에 대한 기초를 제공한다.

 

인공 뉴런 - 하나와 n개의 특징을 가진 아핀 함수:

• 아핀 함수는 입력 데이터에 대한 가중합을 계산한 뒤, 이를 변환하는 함수다. 하나의 특징을 가진 경우와 다수의 특징(n개)을 가진 경우 모두에서 아핀 변환의 역할과 중요성을 상세히 설명한다.

 

인공 뉴런 - 활성화 함수:

• 활성화 함수는 아핀 변환을 거친 값을 비선형으로 변환하여 다음 레이어로 전달하는 역할을 한다. Sigmoid, Tanh, ReLU 등의 함수는 인공 뉴런 모델에서 널리 사용되는 활성화 함수 예시들이다. 이 함수들은 모델의 복잡성을 증가시키고, 비선형 문제를 해결하는데 중요하다.

인공 뉴런 - 미니배치:

• 미니배치는 학습 데이터셋을 작은 배치로 나누어 처리하는 방식을 말한다. 이 접근법은 학습 과정에서의 메모리 사용량을 최적화하고, 학습 속도를 향상시킨다. 미니배치를 통해 가중치와 편향의 업데이트가 이루어지며, 아핀 및 활성화 함수를 거쳐 최종 출력값이 생성된다.