인공지능 알고리즘 ANN, DNN(ANN 해결), CNN(이미지), RNN(웨이브폼, 문장)

ANN (Artifical Neural Network) : 인공신경망

인간의 뉴런처럼 자극이 임계값을 넘어서면 결과 신호를 전달하는 과정에서 착안.

자극은 Input Data, 임계값은 가중치(Weight)

결과 신호는 Output Data

입력층 은닉층(레이어) 출력층으로 구성

은닉층에서 활성화함수를 사용하여 최적의 W(Weight)와 B(Bias)를 찾아내는 역할을 함

 

학습과정에서 파라미터의 최적값을 찾기 어려고 OverFitting문제와 학습시간이 너무 느리다란 문제점이 존재하나 HW의 발전으로 학습시간이 감당할 수 있는 수준이며 오버피팅 문제 역시 사전훈련을 통해 방지할 수 있게 되었음

 

DNN (Deep Neural Network)

ANN기법의 문제가 해결되면서 은닉층을 많이 늘려 학습의 결과를 향상시키는 방법인 DNN이 등장

은닉층을 2개 이상 지닌 학습방법을 뜻함.

컴퓨터가 스스로 분류 레이블을 만들어 내고 공간을 왜곡하고 데이터를 구분짓는 과정을 반복하여 최적의 구번선을 도출.

 

CNN (Convolution Neural Network) : 합성곱신경망

DNN을 응용한 알고리즘

데이터의 특징을 추출하여 패턴을 파악하는 구조로 Convolution -> Pooling(Convolution Layer의 데이터 사이즈를 줄이고 노이즈를 상쇄시키고 미세한 부분에서 일관적인 특징을 제공)과정을 통해 진행되며 각각의 Convolution Layer(특징 파악, 한장으로 도출), Pooling Layer를 복합적으로 구성하여 알고리즘을 생성

 

RNN (Recurrent Neural Network) : 순환신경망

DNN을 응용한 알고리즘

순환구조가 들어가 있어 이를 이용하여 과거의 학습을 Weight를 통해 현재 학습에 반영하여, 데이터학습의 한계를 해결하는 알고리즘

현재의 학습과 과거의 학습을 연결을 가능케 하고 시간에 종속된다란 특징을 소유함.

음성 웨이브, 텍스트의 앞 뒤 성분 파악할 때 사용