이 문서는 Google Cloud Translation API를 사용해 자동 번역되었습니다.
어떤 문서는 원문을 읽는게 나을 수도 있습니다.
신경망은 데이터의 복잡한 패턴을 모델링하는 데 사용되는 일종의 기계 학습 알고리즘입니다. 신경망은 다른 기계 학습 알고리즘과 유사하지만 입력 데이터의 패턴을 인식하는 방법을 학습할 수 있는 다수의 상호 연결된 처리 노드 또는 뉴런으로 구성됩니다.
신경망은 이미지 인식 및 분류에 자주 사용되지만 일련의 입력-출력 관계로 모델링할 수 있는 모든 유형의 데이터에 사용할 수 있습니다.
신경망은 입력 데이터의 패턴을 인식하는 방법을 학습할 수 있는 다수의 상호 연결된 처리 노드 또는 뉴런으로 구성됩니다.
신경망의 각 뉴런은 네트워크의 여러 다른 뉴런에 연결됩니다. 이러한 연결은 일반적으로 레이어로 구성되며 첫 번째 레이어는 입력 레이어이고 마지막 레이어는 출력 레이어입니다.
신경망은 예제를 통해 학습합니다. 즉, 원하는 입력-출력 관계를 포함하는 일련의 훈련 데이터를 제시함으로써 학습합니다. 신경망은 주어진 입력에서 원하는 출력을 생성하기 위해 뉴런 간의 연결 강도를 조정합니다.
다양한 유형의 신경망이 있으며 각각 고유한 장단점이 있습니다.
신경망의 가장 일반적인 유형은 다음과 같습니다.
피드포워드 신경망: 가장 단순한 유형의 신경망입니다. 이들은 일련의 상호 연결된 레이어로 구성되며 각 레이어는 다음 레이어로 공급됩니다.
순환 신경망: 이러한 신경망에는 시계열 데이터와 같은 시간 데이터를 모델링할 수 있는 피드백 루프가 있습니다.
컨볼루션 신경망: 이 신경망은 이미지와 같은 공간 구조를 가진 데이터와 함께 작동하도록 설계되었습니다.
신경망은 다음과 같은 다양한 작업에 사용됩니다.
이미지 인식 및 분류
패턴 인식
예측
데이터 수집
제어 시스템
신경망은 다음을 포함하여 다른 기계 학습 알고리즘에 비해 많은 이점이 있습니다.
다른 알고리즘으로 학습하기 어려운 복잡한 패턴을 학습할 수 있습니다.
데이터의 노이즈 및 이상값에 강합니다.
이미지 인식과 같이 일련의 규칙으로 공식화하기 어려운 작업에 사용할 수 있습니다.
신경망에는 다음과 같은 여러 가지 단점도 있습니다.
이들은 블랙박스 모델이므로 어떻게 결정에 도달하는지 이해하기 어렵습니다.
정확한 학습을 위해서는 많은 양의 학습 데이터가 필요합니다.
훈련 및 조정이 어렵습니다.
신경망은 데이터의 복잡한 패턴을 모델링하는 데 사용되는 강력한 유형의 기계 학습 알고리즘입니다. 여러 가지 장점이 있지만 여러 가지 단점도 있습니다.