[NIPA AI 교육/응용] 05. 퍼셉트론

1. 인공지능, 머신러닝, 딥러닝의 관계

---

2. 딥러닝이란

• 머신러닝의 여러 방법론 중 하나
• 인공신경망에 기반하여 컴퓨터에게 사람의 사고방식을 가르치는 방법

---

3. 인공신경망이란

• 생물학의 신경망에서 영감을 얻은 학습 알고리즘
• 사람의 신경 시스템을 모방함

---

3.1. 사람의 신경 시스템(Nueron System)이란

• 두뇌의 가장 작은 정보처리 단위
• 세포체(cell body)는 간단한 연산
• 수상돌기(dendrite) 신호는 신호 수신
• 축삭(axon)은 결과를 전송
• 사람은 \(10^{11}\)개 정도의 뉴런을 가짐

---

3.2. 현대의 다양한 딥러닝 기술 적용 사례

• 얼굴 인식 카메라
• 기계 번역 모델
• 알파고 제로

---

4. 퍼셉트론(Perceptron)

$$ y = activation(w_0+w_1x_1+w_2x_2 ) $$ 

• \( x_1, x_2 \) : 입력값
• \( w_1, w_2 \) : 가중치
• \( w_0 \) : bias
• \( y \) : 출력값

def Perceptron(x_1, x_2):
    # 설정한 가중치값을 적용
    w_0 = -5 
    w_1 = -1
    w_2 = 5
    
    # 활성화 함수에 들어갈 값을 계산
    output = w_0+w_1*x_1+w_2*x_2
    
    # 활성화 함수 결과를 계산
    if output < 0:
        y = 0
    else:
        y = 1
    
    return y, output

• 활성화 함수의 종류는 다양함

---

퍼셉트론의 구조

• 선형 분류기로써 데이터 분류가 가능함
• 입력층과 출력층을 가짐
• 입력층은 연산을 하지 않으므로 퍼셉트론은 단일 층 구조라고 간주

---

하나의 선으로 분류할 수 없는 문제의 등장

• 이는 1969년 AI의 첫 번째 겨울을 부름 (그 당시에는 해결할 수 있는 방법을 찾지 못함)
• 다층 퍼셉트론의 발견으로 겨울이 끝이 남

---

5. 다층 퍼셉트론(Multi Layer Perceptron; MLP)

• 단층 퍼셉트론은 입력층과 출력층만 존재함
• 단층 퍼셉트론을 여러 개 쌓은 것을 다층 퍼셉트론(Multi Layer Perceptron)이라 함

---

히든층(Hidden Layer)

• 입력층과 출력층 사이의 모든 Layer
• 히든층이 많아진다면, 깊은 신경망이라는 의미의 Deep Learning 단어 사용
• 분류할 수 있는 방법이 많아져 성능이 좋아진다는 장점도 있지만, 가중치가 많아진다는 단점도 있음