인공신경망

• 신용 카드 및 의료보험 사기 감지.
• 교통 네트워크를 위한 물류 최적화.
• 자연어 처리라고 알려진 문자 및 음성 인식.
• 의료 및 질병 진단.
• 타깃 마케팅.
• 주가, 통화, 옵션, 선물, 파산 및 채권 등급에 대한 금융 전망.
• 로봇 제어 시스템.

• 전기 부하 및 에너지 수요 예측.
• 프로세스 및 품질 관리.
• 화학적 조합 식별.
• 에코시스템 평가.
• 원 사진 및 비디오를 해석하는 컴퓨터 비전(예: 의료 영상, 로봇 공학, 안면 인식).

단순한 신경망은 입력층, 출력층(또는 타깃), 그리고 그 사이에 은닉층을 포함합니다. 이러한 층들은 노드를 통해 연결되고, 이러한 연결을 통해 서로 연결된 노드의 "네트워크" 즉, 신경망이 형성됩니다.

노드는 사람 뇌의 뉴런을 본떠 만든 것입니다. 뉴런이 작동하는 것과 유사하게 노드는 충분한 자극이나 입력이 있을 때 활성화됩니다. 노드의 활성화는 신경망 전체로 확산되어 자극에 대한 반응을 생성합니다(출력). 이러한 인공 뉴런 사이의 연결은 단순한 시냅스 역할을 하여 신호가 한 쪽에서 다른 쪽으로 전달될 수 있습니다. 계층 간 신호는 첫 번째 입력부터 마지막 출력층까지 이동하며 그 과정에서 처리됩니다.

뉴런은 해결해야 할 요청이나 문제가 주어지면 수학적 계산을 실행하여 다음 뉴런에게 전달할 만큼 충분한 정보가 있는지 파악합니다. 좀 더 간략히 말해서, 뉴런은 모든 데이터를 읽고 가장 강력한 관계가 존재하는 지점을 파악합니다. 가장 단순한 형태의 네트워크에서 수신된 데이터 입력이 합산되고, 그 합산 값이 특정 임계 값 이상일 경우 뉴런이 '발화되어' 연결된 뉴런을 활성화합니다.

신경망 내의 은닉층의 수가 많아질수록 더욱 깊은 신경망이 형성됩니다. 딥 러닝 아키텍처는 단순한 신경망을 한 단계 더 발전시킵니다. 이러한 계층을 사용하여 데이터 과학자들은 머신 러닝을 가능하게 하는 자체 딥 러닝 네트워크를 구축할 수 있으며, 이 네트워크는 컴퓨터가 음성 인식, 이미지 식별 또는 예측과 같이 사람이 하는 작업을 정확하게 모방하도록 훈련시킬 수 있습니다. 마찬가지로 중요한 점은 컴퓨터가 많은 계층을 처리하는 가운데 패턴을 인식함으로써 스스로 학습할 수 있다는 것입니다.

이러한 정의에 따라 적용해 보겠습니다. 데이터는 은닉층과 연결된 입력층을 통해 신경망으로 공급됩니다. 가중 연결 시스템을 통해 은닉층에서 처리가 이루어집니다. 그 다음 은닉층의 노드가 입력층의 데이터를 계수 집합과 결합하고 입력에 적절한 가중치를 할당합니다. 이후 이러한 입력 가중 결과가 합산됩니다. 합계는 노드의 활성 함수를 통해 전달되며, 이 함수는 신호가 네트워크를 통해 더 진행되어야 하는 정도를 결정함으로써 최종 출력에 영향을 미칩니다. 마지막으로 은닉층이 출력층과 연결되는 지점에서 최종 출력값이 산출됩니다.