๐ Self Study65 Deep learning (Gradient Descent, Chain Rule, Learning Rate) Neural Network Classifier Gradient Descent ๋ฏธ๋ถ์ ํตํด์ Optimizeํ๊ฒ ๋๋ค. ํ๋์ ์ค์นผ๋ผ ๊ฐ์ W์ ๋ํด ๋ฏธ๋ถ์ ํ๊ฒ ๋๋ค. W์ ๊ฐ์ ์ผ๋ ฌ๋ก ์ธ์์ ์ผ์ฐจ์ ๋ฒกํฐ์ธ ๊ฒ์ผ๋ก ์๊ฐํ์. scalar ๊ฐ์ ๋์ดํ๋ฉด ๋ค์๊ณผ ๊ฐ์ ์์ ์ป์ ์ ์๋ค. (๊ฐ์ฅ ์ค๋ฅธ์ชฝ ์) ์ด๋ฌํ ๋ฒกํฐ๋ฅผ Gradient ๋ฒกํฐ๋ผ๊ณ ํ๋ค. ๊ฐ๊ฐ Element๋ค์ด ํด๋น Weight๋ก ๋ฏธ๋ถ์ด ๋๊ฒ์ด Gradient ๋ฒกํฐ๋ผ๊ณ ํ๋ค. ์ํ์ ์ผ๋ก Error surface์ error๊ฐ ๊ธ๊ฒฉํ๊ฒ ๋ณํ๋ ๋ฐฉํฅ์ด๋ผ๊ณ ๋ณผ ์ ์๋ค. W์ Gradient๋ฅผ ๋ง์ด๋์ค ํ๋ค๋ ๊ฒ์ ๋ฐ๋ ๋ฐฉํฅ์ผ๋ก ๊ฐ๋ค๋ ๊ฒ์ ์๋ฏธํ๋ค. ๊ฐ์ํ๋ ๋ฐฉํฅ์ผ๋ก ์ด๋ํ๊ฒ ๋๋ค. ํ์ฌ Weight์์ Gradient๋ฅผ ๋นผ์ฃผ๋ ๊ฒ์ด Gradie.. 2021. 12. 23. Deep learning(Activation Function, Forward Propagation, Single Layer Perceptron) Activation Function ์ฐ์ Non Linearํ ๋ฐฉ๋ฒ์ ์ฌ์ฉํ ์ ์๋ค. ํ๋ฅ ๊ฐ์ ๊ณ ๋ คํด๋ณด๋ฉด -1 ์์ 1๊น์ง์ ๊ฐ์ ๊ฐ์ง๋ค. Measurement๋ก ๋์จ ๊ฒ์ ํ๋ฅ ๊ณผ Decision์ผ๋ก ํ๊ธฐ ์ํด์ ํ์ํ๋ค. Forward Propagation ์ฒซ ๋ฒ์งธ Layer์ Input Vector๋ ๋จ์ํ ์ ๋ ฅ์ ๋ณด๊ฐ ๋๊ณ ๋ ๋ฒ์งธ Layer๋ถํฐ๋ ๊ฐ๊ฐ ํด๋น Operation ํจ์๋ฅผ ๊ฑฐ์น ๊ฐ๋ค์ ๊ฐ์ง๋ค. ๋ค์ ๋ฒ์ node๋ค๋ ์ด์ ์ ๊ฐ๋ค๋ก ๋ถํฐ Operation์ด ์ถ์ ๋์ด ์ฌ๋ฌ Layer๋ฅผ ๊ฑฐ์ณ ์ ํ๋๋ ๊ฒ์ Propagation์ด๋ผ๊ณ ํ๋ค. Node์ Connection Weight์ด ์กด์ฌํ๋ค๋ ๊ฒ์ด๋ค. InDim : Input Layer // outDim : ouput layer connect.. 2021. 12. 23. Deep learning (Neural Network, Perceptron Neuron) Neural Network ์๋ฌผํ์ ์ธ ๋์ธํฌ๋ฅผ ๋ชจ๋ฐฉํด์ ๋ง๋ Computation Model. ์ ์ชฝ์์ ์ ํธ๋ฅผ ๋ฐ์์ Mergeํ๊ณ ์ผ์ ์์น ์ด์์ด๋ฉด ๋ค์์ผ๋ก ๋๊ธฐ๋ ์ญํ ๋ก ์๋ ค์ ธ ์๋ค. ์ฌ๋์ ๋๋ ๋ณต์กํ ์ผ์ ํ ์ ์์ง๋ง ๋ด๋ฐ ํ๋์ ๋จ์๋ ๊ต์ฅํ ๋จ์ํ๋ค๋ ๊ฒ. ์ด๋ฐ ๊ฐ๋ ์ผ๋ก ์ปดํจํ ์ ํ๊ธฐ ์ํ ๋ชจ๋ธ๋ง์ ์์ํ๋ค. Connection Weight์ ๊ณฑํด์ ๊ฐ ๋ฐ์ดํฐ๋ฅผ ๋ํด์ Mergeํด์ฃผ๊ณ Activation Function ์ ํตํด์ ํจ์๊ฐ ๋ง๋ค์ด์ง๋ค. ๋ชจ๋ ๊ฐ์ด ์๊ทธ๋ง๋ก ์ธํด ๋ํด์ง๊ณ (์ธํ)๋ผ๋ ๊ฐ์ ๋ํ๊ฒ ๋๋ค. ์ด (์ธํ)์ ๊ฒฝ์ฐ ์ง์ ์ ๋ฐฉ์ ์ y = ax + b์์ b๊ฐ ์์ด์ผ ๋ชจ๋ ์ง์ ์ด ํํ๋๋ฏ Bias๋ฅผ (์ธํ)๋ก ๋ํ๊ฒ ๋๋ ๊ฒ์ด๋ค. ๋ด๋ฐ ํ๋๊ฐ ํ๋ ๊ฒ์ weighted s.. 2021. 12. 23. Deep learning (Bayesian Theorem) Bayesian Theorem Classification ๋ฌธ์ ์์ ๋ชธ๋ฌด๊ฒ์ ํค๋ฅผ ์ฃผ๊ณ ๋จ์์ ์ฌ์๋ฅผ ๊ตฌ๋ถํ๋ผ๋ ๋ฌธ์ ๋ฅผ ์๊ฐํด๋ณด์. 100% ๋ง์ถ์ง๋ง ์ด๋์ ๋ ๋ง์ถ ์ ์๋ค๊ณ ๊ฐ์ ์ ํ๋ค. ์ค๋ฉ๊ฐ1 = ๋จ์, ์ค๋ฉ๊ฐ2 = ์ฌ์ , X = ํค, ๋ชธ๋ฌด๊ฒ ๋ฑ๋ฑ์ ๋ฐ์ดํฐ ํด๋น Condition์ ํ๋ฅ ๋ก ๋ํ๋ด๊ฒ ๋๋ค. ํด๋น ํ๋ฅ ์ ๊ณ์ฐํ๋ฉด ๋จ์์ธ์ง ์ฌ์์ธ์ง๋ฅผ ํ๋จํ ์ ์๋ ๊ฐ๋ฅ์ฑ์ด ์๊ฒ ๋๋ค. 175cm์ 70kg๋ฅผ ๋ชจ๋ ๋ชจ์์ ๋จ์์ ์ฌ์์ ์๋ฅผ ์ธ๋ ๊ฒ์ ๊ต์ฅํ ์ด๋ ต๋ค. ์๋ํ๋ฉด ๋ชจ๋ ๊ฒฝ์ฐ์ ์๋ฅผ ์ง์ ์ฐพ์์ ๋์ดํ๋ ๊ฒ์ ์ด๋ ต๊ธฐ ๋๋ฌธ์ด๋ค. ์ผ๋จ ๋จ์๋ฅผ ๋ชจ๋ ๋ชจ์์ ํค์ ๋ชธ๋ฌด๊ฒ์ ๋ถํฌ๋ฅผ ์ฐพ๊ณ ์ฌ์๋ ๋ง์ฐฌ๊ฐ์ง๋ก ๋ถํฌ๋ฅผ ์ฐพ๋๋ค. ์ด ๊ฒฝ์ฐ ์ ์์ ๊ฒฝ์ฐ๋ณด๋ค ํจ์ฌ ์ฌ์ด ๊ฒฝ์ฐ๊ฐ ๋๋ค. ํค์ ๋ชธ๋ฌด๊ฒ๊ฐ ์ฃผ์ด์ง ์ํ์์ ๋จ.. 2021. 12. 23. Deep Learning(Classification, Regression, Overfitting) Classification ์ ๋ ฅ์ด ํน์ ํ ์นดํ ๊ณ ๋ฆฌ ์ค ํ๋๋ค๋ผ๊ณ ์ธ์ํ๋ ๊ฒ. ์ซ์, ์ฑ๋ณ, ๊ตญ์ ๋ฑ ์ ํด์ง ์นดํ ๊ณ ๋ฆฌ ์ค ํ๋๋ฅผ ๋ง์ถ๋ ๋ฌธ์ ์ ๋ ฅ = ํจํด , ์ถ๋ ฅ = Input data์ ์นดํ ๊ณ ๋ฆฌ Regression value ์์ฒด๋ฅผ ๋ง์ถฐ์ผ ํ๋ ๋ฌธ์ Bankrupt prediction ์ด๋ค ํ์ฌ๊ฐ ๋ถ๋๋ ํ๋ฅ ์ ๊ณ์ฐํ๋ ๋ฌธ์ ๊ฐ ํ๋์ ์์ Sales Prediction : ๋ช ๊ฐ๊ฐ ํ๋ฆด ๊ฒ ์ธ๊ฐ ๋จ์ํ ์นดํ ๊ณ ๋ฆฌ ๋ฌธ์ ๊ฐ ์๋๋ผ Value๋ฅผ Estimate ํ๋ ์ ๊ทผ์ ํด์ผ ํ๋ค. Input Variable์ด ์ฃผ์ด์ง๋ค. Regression Model function์ ํ์ตํ๋ค. y = F(x; 0) 1. linear regression 2. nonlinear regression 3. logistic re.. 2021. 12. 23. ์ด์ 1 ยทยทยท 4 5 6 7 ๋ค์