인공신경망
개념과 중요성
신경망의 역사
최초의 신경망은 1943년 워렌 맥쿨로치(Warren McCulloch)와 월터 피츠(Walter Pitts)에 의해 고안되었습니다. 두 사람은 뉴런 작동 방식과 관련한 중요한 논문을 썼으며 전기 회로를 사용하여 단순 신경망을 만들어 그들의 아이디어를 모델링했습니다.
이 획기적인 모델은 다음 두 가지 분야에서 신경망 연구의 길을 열었습니다.
뇌의 생물학적 프로세스.
인공 지능(AI)에 신경망 적용.
후쿠시마 쿠니히코(Kunihiko Fukushima)가 1975년 최초로 다층 신경망을 개발하면서 AI 연구가 빠르게 가속화되었습니다.
신경망 접근 방식의 본래 목표는 사람의 뇌처럼 문제를 해결할 수 있는 계산 시스템을 만드는 것이었습니다. 하지만 시간이 지나면서 연구자들은 신경망을 사용하여 특정 작업에 연결시키는 데 집중하게 되었고, 그 결과 생물학적 접근 중심의 방식에서 벗어나게 되었습니다. 이후 신경망은 컴퓨터 비전, 음성 인식, 기계 번역, 소셜 네트워크 필터링, 보드 및 비디오 게임, 의료 진단 등 다양한 작업을 지원해 왔습니다.
정형 및 비정형 데이터 크기가 빅데이터 수준으로 증가함에 따라 사람들은 본질적으로 많은 계층을 가진 신경망이라고 할 수 있는 딥 러닝 시스템을 개발했습니다. 딥 러닝을 통해 비정형 데이터를 포함하여 더 크고 많은 데이터를 검출하고 마이닝할 수 있습니다.
신경망이 왜 중요할까요?
신경망은 또한 사람들이 실제 상황에서 복잡한 문제를 해결하는 데 있어 이상적인 도움을 줍니다. 비선형적이고 복잡한 입력과 출력 사이의 관계를 학습하고 모델링하며, 일반화 및 추론을 수행하고, 숨겨진 관계, 패턴, 예측을 드러냅니다. 또한, 드물게 발생하는 사건(예: 사기 감지)을 예측하는 데 필요한 변동성 높은 데이터(예: 금융 시계열 데이터)와 분산을 모델링할 수 있습니다. 결과적으로 신경망은 다음과 같은 영역에서 의사결정 프로세스를 개선할 수 있습니다.
- 신용 카드 및 의료보험 사기 감지.
- 교통 네트워크를 위한 물류 최적화.
- 자연어 처리라고 알려진 문자 및 음성 인식.
- 의료 및 질병 진단.
- 타깃 마케팅.
- 주가, 통화, 옵션, 선물, 파산 및 채권 등급에 대한 금융 전망.
- 로봇 제어 시스템.
- 전기 부하 및 에너지 수요 예측.
- 프로세스 및 품질 관리.
- 화학적 조합 식별.
- 에코시스템 평가.
- 원 사진 및 비디오를 해석하는 컴퓨터 비전(예: 의료 영상, 로봇 공학, 안면 인식).
이러한 신경망 또는 모델의 첫 번째 목표는 사람이 해낼 수 있는 수준의 정확도에 도달하는 것입니다. 그 수준에 도달할 때까지, 더 나아질 수 있다는 것을 알고 있습니다. Ivan Gomez Data Scientist and Consultant Zencos
신경망의 종류
심층 신경망에는 다양한 종류가 있으며, 각각의 신경망은 용도에 따라 장단점이 있습니다. 그 예는 다음과 같습니다.
- 합성곱 신경망(CNN)은 입력, 합성곱, 풀링, 완전 연결 및 출력의 다섯 가지 유형의 계층을 포함합니다. 각 계층에는 요약, 연결 또는 활성화와 같은 특정 목적이 있습니다. 합성곱 신경망은 이미지 분류 및 객체 감지를 대중화했습니다. 나아가 CNN은 자연어 처리 및 예측과 같은 기타 영역에도 적용되었습니다.
- 순환 신경망(RNN)은 센서 장치의 시계열 데이터나 일련의 용어로 구성된 음성 문장과 같은 순차적인 정보를 사용합니다. 기존의 신경망과 달리 순환 신경망에 대한 모든 입력은 서로 독립적이지 않으며 각 요소의 출력은 이전 요소의 계산에 따라 달라집니다. RNN은 예측 및 시계열 응용 프로그램, 성향 분석 및 기타 텍스트 응용 프로그램에 사용됩니다.
- 순방향 신경망은 한 계층의 각 퍼셉트론이 다음 계층의 모든 퍼셉트론에 연결되는 신경망 유형입니다. 정보가 한 계층에서 다음 계층으로 오직 순방향으로만 전달되며, 피드백 루프가 없습니다.
- 오토인코더 신경망은 주어진 입력 세트에서 생성된 인코더라는 추상 개념을 만드는 데 사용됩니다. 기존 신경망과 유사하지만 오토인코더는 입력 자체의 모델링을 추구하므로 그 방법이 자율적인 것으로 간주됩니다. 오토인코더의 전제는 무관한 것에 덜 민감하고 관련된 것에 민감하게 반응하는 것입니다. 계층이 추가되면 더 높은 계층(디코더 계층이 도입된 지점에 가장 가까운 계층)에서 추가 추상 개념이 공식화됩니다. 이러한 추상 개념은 선형 또는 비선형 식별자에 의해 사용될 수 있습니다.
신경망의 활용 현황
신경망은 사람과 조직이 시스템과 상호 작용하고, 문제를 해결하며, 더 나은 결정을 내리고 예측하는 방식을 변화시키고 있습니다. 신경망의 영향에 대해 자세히 알아보세요.
신경망 모델링에 대해 알아보기
적절한 신경망 아키텍처를 선택하는 방법, 관련 훈련 방법을 결정하는 방법, 분산 컴퓨팅 환경에서 신경망 모델을 구현하는 방법, 신경망 절차를 사용하여 맞춤형 신경망을 구성하는 방법을 알아보세요.
SAS®를 통한 딥 러닝 실행 방법
딥 러닝 기술 및 응용 프로그램에 대한 보다 기술적인 개요가 필요한가요? 이 문서를 통해 SAS가 심층 신경망 모델 생성을 지원하는 방법을 알아보세요.
누가 신경망을 사용하나요?
딥 러닝 시스템과 이를 가능하게 하는 신경망은 많은 산업 및 사업 부문에서 전략적으로 사용됩니다.
생명 과학
보건 및 생명 과학 조직은 신경망을 사용하여 예측 진단, 생체 의학 영상 및 건강 모니터링을 지원합니다.
제조업
에너지 및 제조업에서는 신경망을 사용하여 공급 체인을 최적화하고 결함 탐지를 자동화하며 에너지 수요를 예측합니다.
은행
은행은 신경망을 사용하여 사기를 감지하고 신용 분석을 수행하며 금융 자문 서비스를 자동화합니다.
공공 부문
공공 기관은 신경망을 사용하여 스마트 시티, 보안 인텔리전스 및 안면 인식을 지원합니다.
신경망에는 이상 징후를 식별하는 기능이 있습니다. 우리는 향후 신경망을 사용하여 의사에게 2차 의견을 제시할 수 있습니다. 예를 들어, 암인지 또는 어떤 알려지지 않은 문제인지 알려줄 수 있습니다. 우리는 이러한 2차 의견을 보다 빠르고 정확하게 제시할 수 있게 될 것입니다. Leigh Ann Herhold Data Scientist and Consultant Zencos
신경망 모델 구축
이 비디오에서는 신경망의 맥락에서 SAS® Visual Data Mining 및 머신 러닝을 사용하는 방법에 대해 알아봅니다. 이 예제를 통해 웹 사이트 방문자의 방문 이유와 IT 기업 사이트에서 문서를 다운로드받게 되는 동기를 알아봅니다.
신경망 작동 방식
단순한 신경망은 입력층, 출력층(또는 타깃), 그리고 그 사이에 은닉층을 포함합니다. 이러한 층들은 노드를 통해 연결되고, 이러한 연결을 통해 서로 연결된 노드의 "네트워크" 즉, 신경망이 형성됩니다.
노드는 사람 뇌의 뉴런을 본떠 만든 것입니다. 뉴런이 작동하는 것과 유사하게 노드는 충분한 자극이나 입력이 있을 때 활성화됩니다. 노드의 활성화는 신경망 전체로 확산되어 자극에 대한 반응을 생성합니다(출력). 이러한 인공 뉴런 사이의 연결은 단순한 시냅스 역할을 하여 신호가 한 쪽에서 다른 쪽으로 전달될 수 있습니다. 계층 간 신호는 첫 번째 입력부터 마지막 출력층까지 이동하며 그 과정에서 처리됩니다.
뉴런은 해결해야 할 요청이나 문제가 주어지면 수학적 계산을 실행하여 다음 뉴런에게 전달할 만큼 충분한 정보가 있는지 파악합니다. 좀 더 간략히 말해서, 뉴런은 모든 데이터를 읽고 가장 강력한 관계가 존재하는 지점을 파악합니다. 가장 단순한 형태의 네트워크에서 수신된 데이터 입력이 합산되고, 그 합산 값이 특정 임계 값 이상일 경우 뉴런이 '발화되어' 연결된 뉴런을 활성화합니다.
신경망 내의 은닉층의 수가 많아질수록 더욱 깊은 신경망이 형성됩니다. 딥 러닝 아키텍처는 단순한 신경망을 한 단계 더 발전시킵니다. 이러한 계층을 사용하여 데이터 과학자들은 머신 러닝을 가능하게 하는 자체 딥 러닝 네트워크를 구축할 수 있으며, 이 네트워크는 컴퓨터가 음성 인식, 이미지 식별 또는 예측과 같이 사람이 하는 작업을 정확하게 모방하도록 훈련시킬 수 있습니다. 마찬가지로 중요한 점은 컴퓨터가 많은 계층을 처리하는 가운데 패턴을 인식함으로써 스스로 학습할 수 있다는 것입니다.
이러한 정의에 따라 적용해 보겠습니다. 데이터는 은닉층과 연결된 입력층을 통해 신경망으로 공급됩니다. 가중 연결 시스템을 통해 은닉층에서 처리가 이루어집니다. 그 다음 은닉층의 노드가 입력층의 데이터를 계수 집합과 결합하고 입력에 적절한 가중치를 할당합니다. 이후 이러한 입력 가중 결과가 합산됩니다. 합계는 노드의 활성 함수를 통해 전달되며, 이 함수는 신호가 네트워크를 통해 더 진행되어야 하는 정도를 결정함으로써 최종 출력에 영향을 미칩니다. 마지막으로 은닉층이 출력층과 연결되는 지점에서 최종 출력값이 산출됩니다.
신경망에 특화된 제품
SAS® Visual Data Mining 및 머신 러닝
분석 라이프사이클의 모든 작업을 처리하는 범용 시각화 (및 프로그래밍) 인터페이스를 통해 엔드 투 엔드 데이터 마이닝 및 머신 러닝 프로세스를 지원합니다.
권장 문서
- 기사 What are chatbots?Chatbots are a form of conversational AI designed to simplify human interaction with computers. Learn how chatbots are used in business and how they can be incorporated into analytics applications.
- 기사 AI in banking: Survey reveals factors for successWhat do banking executives report about their experiences with AI? Where are they focusing today? What’s working? What are their plans for the future?
- 기사 Artificial intelligence, machine learning, deep learning and moreArtificial intelligence, machine learning and deep learning are set to change the way we live and work. How do they relate and how are they changing our world?