인공신경망의 개요

인공신경망이란?

인공 신경망은 인간의 두뇌에서 영감을 얻어 기계 학습 및 인공 지능으로 활용되고 있습니다. 이러한 네트워크를 통해 컴퓨터 기반으로 다양한 문제를 해결할 수 있습니다. 인공 신경 네트워크는 생물학적 뇌의 구조를 모델링하고 있습니다. 상호 연결된 뉴런의 추상 모델로 구성되며, 특수하게 배열된 연결방식은 컴퓨터 기반 방식으로 통계, 기술 또는 경제와 같은 다양한 영역의 응용문제를 해결하는 데 사용되기도 합니다. 신경 네트워크는 신경 정보학 및 인공 지능 분야의 연구 대상입니다. 신경망은 문제를 해결하기 전에 데이터의 축적이 필요합니다. 신경망의 구조와 기능은 다음과 같이 매우 단순화된 방식으로 설명할 수 있습니다. 신경망의 모델은 단위 또는 노드라고도 하는 뉴런으로 구성됩니다. 외부 또는 다른 뉴런에서 정보를 기록하고 수정 한 정보를 다른 뉴런으로 전송하거나 최종 결과로 출력할 수 있습니다. 입력 뉴런, 숨겨진 뉴런 및 출력 뉴런 간에 기본 구별이 가능합니다. 입력 뉴런은 외부 세계로부터 패턴 또는 신호의 형태로 정보를 수신합니다. 숨겨진 뉴런은 입력 뉴런과 출력 뉴런 사이에 있으며 내부 정보 패턴을 매핑합니다. 출력 뉴런은 결과적으로 정보와 신호를 외부 세계로 전달합니다. 모든 뉴런은 소위 가장자리를 통해 서로 연결되어 있습니다. 따라서 한 뉴런의 출력은 다음 뉴런의 입력이 될 수 있습니다. 연결의 강도와 중요성에 따라 가장자리의 가중치가 다릅니다. 가중치가 강할수록 뉴런이 다른 뉴런과의 연결에 미칠 수 있는 영향이 커집니다. 양수 및 음수 자극 또는 억제 영향을 나타내는 긍정적 및 부정적 가중치가 있습니다. 가중치가 0이면 한 뉴런이 연결을 통해 다른 뉴런에 영향을 미치지 않습니다. 신경망의 지식과 인공 지능은 궁극적으로 연결과 가중치에 저장됩니다. 뉴런 및 뉴런 층의 수와 다른 층의 뉴런의 연결 옵션은 신경망의 복잡성 및 깊이를 결정하는 능력을 결정합니다. 신경망의 학습, 즉 학습 중 연결의 가중치는 적용된 학습 규칙 및 결과에 따라 변경됩니다. 이론적으로 인공 신경 네트워크의 뉴런 수는 무제한입니다. 그러나 훈련 및 운영에 필요한 컴퓨팅 능력은 뉴런의 수와 기존 레이어 및 연결에 따라 증가합니다. 신경망은 다양한 구조를 가질 수 있으며, 기본적으로 피드 포워드 네트워크와 반복 네트워크 간의 구분이 가능합니다. 피드 포워드 네트워크에서 정보 흐름은 숨겨진 뉴런을 통한 입력 뉴런에서 출력 뉴런까지 독점적으로 발생합니다. 재귀적 네트워크에는 연결이 존재하는데, 여기서 정보는 네트워크의 특정 뉴런 연결을 거꾸로 한 다음 다시 전달할 수 있습니다. 이러한 네트워크는 피드백 네트워크 또는 피드백 신경망이라고도 합니다. 신경망의 일반적인 응용 분야 신경 네트워크는 많은 영역에서 사용됩니다. 솔루션 지식만 이용할 수 없으며 부분적으로는 부정확한 입력 정보를 구체적인 결과로 처리해야 하는 응용 분야에 적합합니다. 적용 분야는 음성 인식 또는 이미지 인식이 있습니다. 신경망은 또한 일기 예보, 의료 진단 또는 경제 프로세스와 같은 복잡한 시스템 및 관계에 대한 시뮬레이션 및 예측을 생성할 수 있습니다. 인공 지능 및 신경 네트워크에 대한 일반적인 응용 분야는 다음과 같습니다. 이미지 인식, 음성 인식, 패턴 인식, 음성 합성, 폰트 인식, 복잡한 프로세스 제어, 복잡한 시스템에 대한 예측, 조기 경보 시스템 시 계열 분석, 기계 기반 번역, 복잡한 시스템의 시뮬레이션, 생체 인식 시스템, 경제 모델 그리고 신경망 학습, 신경망을 의도된 문제나 업무에 사용하려면 먼저 학습이 되어야 합니다. 주어진 학습 자료와 학습 규칙에 기초하여 신경망은 뉴런이 특정 "지능"을 개발할 때까지 뉴런의 연결에 가중치를 부여합니다. 학습 규칙은 학습 자료가 신경망을 어떻게 변화시키는지를 지시합니다. 지도 학습과 비지도 학습은 기본적으로 구분될 수 있습니다. 지도 학습을 통해 다양한 입력 옵션에 대한 구체적인 결과가 지정됩니다. 목표와 실제 결과 사이의 지속적인 비교에 기초하여, 네트워크는 뉴런을 적절하게 연결하는 법을 학습합니다. 학습 과정은 입력된 다양한 패턴의 정보만을 기반으로 합니다. 신경망은 입력 패턴을 기반으로만 변경합니다. 적응 공명 이론 또는 Hebbian 학습 규칙과 같은 다양한 학습 규칙이 있습니다. 기술 집필자 로저 브리드만은 듀드니의 신경망에 대한 주장에 대해 이러한 말을 남겼다."신경망은 예를 들면, 더 높은 목적을 달성할 수 있다고 과장된 광고를 하고 있을 뿐만 아니라, 어떻게 동작하는지 이해도 하지 않고도 성공적인 네트워크를 만들어 낼 수 있다고 말하는데, 이것은 불투명하고 이해할 수 없는 것일 뿐만 아니라 과학적 측면에서 가치가 없는 것이다." 이러한 과학(인공신경망)은 기술이 아니라는 강한 발표에도, 듀드니는 "이것은 단지 그들이 이것을 이해하지 못하더라도 훌륭한 기술자들인 것처럼 보이기 위해 인공 신경망을 가치가 없는 과학이라고 비판하는 것"이라고 했다. 불투명하고 이해할 수 없는 것이라도 유용한 기계가 될 수있다면 그것은 여전히 우리에게 가치 있는 것이고 필요한 것일 것이다. 비록 인공 신경망을 배우고 이해하고 분석하는 것이 매우 힘든 일이라는 것은 사실이지만, 실제 생물에서의 신경망을 배우고 이해하여 분석해서 적용하는 것보다는 훨씬 쉬운 일일 것이다. 게다가 신경망을 구현하는 학습 알고리즘을 연구하는 연구자들은 점진적으로 기계학습을 성공적으로 하게 할 수 있는 신경 유전적 원리를 발견해 내는 데 성공하고 있다." 라며 자신의 과학적 신념을 표현했습니다.