AI/DeepLearning3 [DL] RNN(순환신경망) 맛보기 RNN(Recurrent Neural Network)시계열 데이터 처리에 특화된 아키텍처이전 단계의 정보를 기억하고 활용할 수 있는 능Sequence(시퀀스 데이터)문장을 구성하는 단어들의 순서시간에 따른 주식 가격의 변화음성 신호의 연속된 파형순환신경망 구조입력층 → 반복(hidden) 층 → 출력층입력층 (Input Layer)시퀀스 데이터 (예: 문장, 주식 가격, 음성 신호)시점(t)에 따라 나눠진 입력 벡터 ( x_t )예: 자연어 처리라면 단어 임베딩 벡터, 시계열 데이터라면 숫자 값반복(hidden)층 (Recurrent Hidden Layer)현재 시점(t)의 입력 ( x_t )과 이전 시점(t-1)의 hidden state ( h_{t-1} )를 사용하여 새로운 hidden state (.. 2025. 2. 18. [DL] CNN(합성곱신경망) 맛보기 CNN(Convolution Neural Network)- 이미지 처리에 특화된 딥러닝 아키텍처- 이미지의 공간적 특성을 효과적으로 학습 합성곱신경망 구조 입력이미지 -> 합성곱층 -> 풀링층 -> 완전연결계층-> 출력층 합성곱층(Convolution Layer)Kernel을 기준으로 입력 데이터를 컨볼루션 연산을 진행하여 특징을 뽑는다.이때, 다음과 같은 옵션을 추가할 수 있는데 채널(Channel)- 흑백(GrayScale) : 1- 칼라(RGB) : 3 커널(kernel) (==필터)- 이미지에서 특징을 추출하는 작은 행렬 스트라이드(Stride)- 커널이 이동하는 간격 패딩(Padding)- 경계 부분의 정보 손실을 방지하기 위해 0을 추가 풀링층(Pooling Layer) - 특징 맵을 축소.. 2025. 2. 12. [DL] 딥러닝 훓어보기 퍼셉트론(Perceptron)- 사람의 뉴런을 표현한 수학적 모델- 여러 개의 입력을 받아 하나의 출력을 생성퍼셉트론 요소생물학적 뉴런 대응 요소설명입력 값 (x_i)시냅스를 통한 입력 신호뉴런은 여러 개의 시냅스를 통해 신호를 받음가중치 (w_i)시냅스 강도 (연결 가중치)신호의 중요도를 조절가중합 (z)수상돌기를 통한 신호의 집계여러 신호를 합산하여 전달활성화 함수뉴런의 임계값 처리특정 임계값을 넘으면 신호를 전달출력 (y)축삭돌기를 통한 신호 전달다음 뉴런으로 신호를 전달Dendrite (수상돌기) - 입력을 담당Axon(축삭돌기) - 출력을 담당Synapse(시냅스) : 뉴런과 뉴런이 연결되는 작은 공간- 시냅스가 가지고 있는 임계값보다 전기 신호가 크다면 시냅스가 활성화손실 함수 (Loss Fu.. 2025. 2. 10. 이전 1 다음
