기계학습은 Feature Extractor가 특징 벡터(Feature Vector)를 가지고 고양이인지 개인지 Classifier가 분류해준다. Classifier만 학습을 하기 때문에 자유도가 낮다. 딥러닝은 Raw data를 인공신경망에 넣어주기만 한다. 모두 컴퓨터에게 맡기면서 더 많은 데이터를 효과적으로 처리할 수 있다. 딥러닝으로 할 수 있는 것들 Ground truth보다 정밀해진 사진을 만들 수 있는 image super resolution 강화학습으로 만들어진 알파고 퍼셉트론 XOR 문제와 AI winter XOR는 선 하나를 아무리 잘 그어도 묶어낼 방법이 없다. 책을 내면서 XOR를 풀 줄 모른다고 하면서 AI winter가 발생한다. 다층 퍼셉트론 역전파 알고리즘과 MNIST 기울기 ..

CNN 안에는 Covolution, Max Pooling, ReLU 등의 레이어로 쌓여있다. 이 부분은 특징을 추출하는 곳이다. 특징을 추출해서 Fully Connected Layer 부분에서 결정을 내린다. 어떤 수치를 받았는지에 따라 나중에 필터에 따라 결정을 내린다. 특징은 패턴이다. 어떠한 모양, 색 등 Max Pooling : 수치가 높은 것들만 뽑아서 반으로 줄인다. 가장 큰 특징을 압축을 한다고 생각하면 된다. 뽑은 특징들 중 불필요한 것들을 제거해준다. 세가지의 레이어를 거치면서 중요한 것과 특징적인 것만 잡아낸다. 예측한다.

Model Layer Convolution Weight / Filter / Kernel Pooling layer Activation Function SoftMax Cost / Loss / Loss Function Optimization Learning Rate Batch size Epoch Train set / Test set Label / Ground Truth www.slideshare.net/KirillEremenko/deep-learning-az-convolutional-neural-networks-cnn-module-2r 이미지 출처 Deep Learning A-Z™: Convolutional Neural Networks (CNN) - Module 2 Deep Learning A-Z™: Conv..

Model : 학생이 책을 받으면 공부를 한다. Logit : 문제를 푼다. 예측한다. Loss : 정답과 비교한다. 얼마나 틀렸는지 계산한다. Optm : 왜 틀렸는지 다시 공부한다. 틀린 것을 최소화해서 최적화한다. 어떤 모델을 쓸 것인지 선택해야 한다. 똑똑한 아이들이 공부를 잘하고 문제를 잘 푸는 것처럼

인류가 해야할 결정을 기계에게 스스로 결정할 수 있도록 맡기는 것이 머신러닝이다. 포크레인이 있다고 손이 필요 없는 것이 아닌것이므로 우리의 두뇌를 더욱 두뇌답게 만들어 주는 것이 머신러닝이다. 모델이란 것은 무엇일까? 우리는 아이들이 먹는 아이스크림 사진을 보고 그러한 추측 덕분에 아이스크림을 먹어도 되는 것인지 결정할 수 있다. 머신러닝이란 이러한 판단력을 기계에게 부여한 기술이다. 그리고 이러한 판단력을 모델이라고 한다. 모델을 만드는 과정을 학습이라고 한다. 모델을 잘 만들면 좋은 추측을 할 수 있다. 학습이 잘되어야 좋은 모델을 만들고 모델이 좋아야 더 좋은 추측을 할 수 있다. 애플리케이션 = 응용 : 어떤부품을 응용해서 만든 것 지도학습 (supervised learning) 문제와 정답을 ..