신경망은 입력을 제공하는 블랙 박스입니다. 이러한 입력은 여러 기능을 거쳐 출력이 나옵니다. 그들은 음성 인식, 텍스트 캡션, 다음 게임 상태 예측에 매우 능숙합니다.

다이빙하기 전에 인간의 두뇌가 어떻게 작동하는지 또는 더 깊은 것인 "인간 인지"를 살펴보겠습니다!

역사

"만약 인간의 뇌가 너무 단순해서 이해할 수 있다면 우리는 너무 단순해서 이해할 수 없을 것입니다." — 에머슨 M. 퓨 .

연합주의

협회

다시 플라톤으로 돌아가서, David Hume이 2,500년 동안 인간 인지의 모델로 삼았던 이론은 "연관"입니다.

협회 란 무엇입니까?

번개 뒤에는 천둥이 칩니다. “방금 천둥 소리가 들렸어요. 누가 치였어?”

협회 입니다 .

"이런 종류의 연결은 기계 학습에서 여전히 사용되지만 여기에 약간의 수학을 넣었습니다."

그러나 이러한 연결은 어디에 저장됩니까? 이러한 연관이 어딘가에 저장되고 추론이 호출된다는 것은 명백합니다.

연결주의

1800년대 중반: 뇌는 상호 연결된 뉴런 덩어리입니다. 뇌는 네트워크 세포의 구조입니다. 이 구조의 무언가는 뇌가 작동하는 방식과 관련이 있습니다. 각 뉴런은 다른 많은 뉴런과 연결되어 있습니다. 이것이 연결주의를 낳았다.

뉴런은 서로 흥분하고 자극합니다. 다양한 입력 조합으로 인해 다양한 출력 세트가 생성됩니다. 주어진 예에서,

a & b가 높으면 'x'가 실행되고,

b &c가 높으면 'y'가 실행되고,

a & c가 높으면 'z'가 실행됩니다.

따라서 입력 패턴이 다르면 출력 패턴도 달라집니다. 다른 강도의 신호는 다른 출력을 초래할 수 있습니다. 입력의 강도에 따라 Alexander Bain이 제안한 학습도 있습니다.

맥클록과 피츠

이 두 사람은 최초의 인공 뉴런을 모델링하려고 시도했습니다.

뉴런에는 기본적으로 두 개의 연결이 있습니다. 억제 신호가 해당 억제 와이어를 통해 들어오지 않는 한 각 연결의 흥분성 입력의 총 수가 임계값을 초과하는 신경 발화.

프랭크 로젠블라트

Rosenblatt의 퍼셉트론은 (i) 감각 단위, (ii) 연관 단위, (iii) 반응 단위의 세 가지 단위로 구성됩니다.

no.of 입력은 각 입력에 할당된 가중치와 선형적으로 곱하여 결합됩니다. 이 아핀 함수는 임계값 함수에 대한 입력으로 제공됩니다. 값이 임계값을 초과하면 뉴런이 실행됩니다.

Y = { ∑wixi -T ≥ 0인 경우 1; 그렇지 않으면 0

학습 알고리즘:

W = W+η(d(x)-y(x))

퍼셉트론 출력이 잘못될 때마다 가중치를 업데이트합니다. 입력의 곱과 원하는 출력과 실제 출력 간의 오차로 가중치를 업데이트합니다.

단일 퍼셉트론 또는 퍼셉트론 네트워크는 임의의 부울 함수를 모델링할 수 있습니다. 그러나 네트워크의 개별 요소는 취약한 전산 모델입니다. 네트워크 요소가 필요합니다.

다음 블로그에서는 다층 퍼셉트론이 모델링할 수 있는 것과 그 한계를 살펴보겠습니다.