$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

딥러닝
Deep Learning 원문보기

소음진동 = Journal of KSNVE, v.27 no.3, 2017년, pp.19 - 25  

이승철 (울산과학기술원) ,  정해동 (울산과학기술원) ,  박승태 (울산과학기술원) ,  김수현 (울산과학기술원)

초록이 없습니다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 그림 10(a)와 같이 도식화된 병목 구조를 가지고 출력과 입력이 같을 때 신경망 학습을 고려해보자. 이러한 구조에서는 반드시 1)정보를 압축 하는 인코더를, 2)압축된 정보를 바탕으로 데이터를 복원하는 디코더를 학습해야 한다.
  • 인공 신경망은 기존의 기계학습 접근방법에서 요구되었던 엔지니어의 지식기반 특성인자 추출을 자동화, 심층화 함으로써 기존에 존재하던 데이터 기반의 기계학습 알고리듬의 한계를 상당히 극복하였다. 본 기초강좌에서는 데이터 형태에 따른 기본적인 심층 신경망의 구조를 살펴보았다. 합성곱 신경망을 통하여 이미지 데이터 분석, 순환 신경망을 통하여 시계열 데이터 분석이 가능하다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
기계학습에서 모델의 성능을 결정하는 것은 무엇인가? 기계학습으로 이미지를 인식하기 위해서는 사진을 그대로 사용하는 것이 아니라 사진 속에 객체를 가장 잘 구분할 수 있는 특성인자(feature)를 찾아내야 한다. 기계학습에서 모델의 성능을 결정하는 것은‘이 특성인자가 얼마나 데이터를 잘 대표하는가’이다. 반면 딥러닝의 경우에는 사람이 특성인자를 선정하는 것이 아니라 데이터에서 모델을 학습하는 과정에서 목표를 잘 달성할 수 있는 특성인자를 스스로 찾는다.
유명한 딥러닝의 신경망 구조는? 하지만 단순히 은닉층의 개수만 늘어난 것 뿐만 아니라 최근 관련 연구자들에 의해서 다양한 문제를 해결하기 위한 독특한 구조가 많이 개발되었다. 그중에서 유명한 합성곱 신경망 (convolutional neural networks), 순환 신경망 (recurrent neural networks), 오토인코더 (autoencoder)의 구조를 알아보겠다. 
목적 함수가 정의되면 오차와 가중치는 어떻게 구해지는가? 문제를 해결할 최적의 가중치를 학습하기 위해 인공 신경망에서는 목적 함수(object function or loss function)를 정의한다. 목적 함수가 정의되면 가중치의 변화에 따른 오차의 변화를 계산할 수 있기 때문에 오차와 가중치의 관계를 연쇄법칙(chain rule)을 이용한 편미분으로 구할 수 있으며, 일반적으로 stochastic gradient descent를 통해 각각의 가중치를 반복적으로 갱신할 수 있다(그림 2). 가중치는 출력층에서부터 입력층까지 역방향으로 갱신되는데 이를 역전파 알고리듬(backpropagation)이라고 한다.
질의응답 정보가 도움이 되었나요?

참고문헌 (6)

  1. LeCun, Y., Bengio, Y. and Hinton, G., 2015, Deep Learning, Nature, Vol. 521, pp. 436-444. 

    상세보기 crossref

  2. LeCun, Y. and Bengio, Y., 1995, Convolutional Networks for Images, Speech, and Time Series, The Handbook of Brain Theory and Neural Networks, 3361(10). 

  3. Jeong, H., Park, S., Woo, S. and Lee, S., 2016, Rotating Machinery Diagnostics Using Deep Learning on Orbit Plot Images, Procedia Manufacturing, Vol. 5, pp. 1107-1118. 

    상세보기 crossref

  4. Graves, A., Mohamed, A. R. and Hinton, G., 2013, Speech Recognition with Deep Recurrent Neural Networks, In Acoustics, Speech and Signal Processing (ICASSP), 2013 IEEE International Conference, pp. 6645-6649. 

  5. Noh, H., Hong, S. and Han, B., 2015, Learning Deconvolution Network for Semantic Segmentation, In Proceedings of the IEEE International Conference on Computer Vision, pp. 1520-1528. 

  6. Kingma, D. P. and Welling, M., 2013, Autoencoding Variational Bayes, arXiv Preprint arXiv:1312.6114. 

저자의 다른 논문 :

관련 콘텐츠

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로