(방송통신대 인공지능 기말시험)몬테카를로 트리 탐색의 개념과 탐색 과정을 구성하는 단계 k-평균 군집화 로젠블랫이 제안한 단층 퍼셉트론의 개념과 한계점 오차 역전파(BP) 모델의 개념 경사 소멸 문제 합성곱 신경망(CNN)의 개념
본 자료는 2페이지 의 미리보기를 제공합니다. 이미지를 클릭하여 주세요.
닫기
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
해당 자료는 2페이지 까지만 미리보기를 제공합니다.
2페이지 이후부터 다운로드 후 확인할 수 있습니다.

소개글

(방송통신대 인공지능 기말시험)몬테카를로 트리 탐색의 개념과 탐색 과정을 구성하는 단계 k-평균 군집화 로젠블랫이 제안한 단층 퍼셉트론의 개념과 한계점 오차 역전파(BP) 모델의 개념 경사 소멸 문제 합성곱 신경망(CNN)의 개념에 대한 보고서 자료입니다.

목차

1. 몬테카를로 트리 탐색의 개념과 탐색 과정을 구성하는 단계들에 대하여 A4용지 1매 정도로 정리하여 설명하라. (20점)
2. k-평균 군집화에 대한 다음 질문에 답하라. (20점)
(가) k-평균 군집화에 대하여 간략히 설명하라. (A4용지 1매 이내)
(나) k=2이며, 평균 벡터의 초깃값은 (2, 8)과 (8, 1)일 때, 2차원 특징공간상에서 다음과 같은 입력 표본들을 대상을 k-평균 군집화를 수행하라. (각 반복 단계에서 표본벡터의 변화를 구하라.)
입력 표본집합 = {(1, 2), (2, 3), (4, 2), (7, 10), (5, 7), (9, 7)}
3. 신경회로망 및 심층학습(딥러닝)에 대한 다음 질문에 답하라. (가)~(다) 각각 A4용지 1매 정도로 정리하여 작성한다. (30점)
(가) 로젠블랫이 제안한 단층 퍼셉트론의 개념과 한계점을 설명하라.
(나) 오차 역전파(BP) 모델의 개념을 설명하고, BP 학습 과정에서 발생하는 경사 소멸 문제에 대하여 설명하라.
(다) 합성곱 신경망(CNN)의 개념을 간략히 설명하고, CNN을 구성하는 층에 대해 설명하라.
4. 참고문헌

본문내용

족할만한 수준으로 이미지의 형상과 특징을 판단할 수 있을 것이다.
그리고 CNN(Convolution Neural Network)은 뇌의 이러한 시각처리방식을 모방해 딥러닝 기반의 영상인식 분야의 기본 모델로 1998년 등장한 것으로 \'사물 인식에 적용하는 그라디언트 기반 학습\'(LeCun et al., 1998)
, LeNet(1998), AlexNet(2012) 등이 대표적인 사례이다. CNN에서 이미지 정보의 처리 방법은 합성곱(Convolution) 연산이다. 따라서 CNN에서는 합성곱을 이용하여 이미지 처리에 필요한 가중치의 갯수를 줄여 연산량을 감소하고 효과적으로 이미지를 처리하는 것이 학습 목표가 된다. 이를 위해 CNN은 기존 신경망에 합성곱 계층과 통합 계층을 첨가해 합성곱 연산과 서브샘플링을 반복한다. 이때 합성곱층과 통합층은 2개 이상이 존재할 수 있고, 통합층은 생략될 수도 있다. CNN의 주요 구성 요소에는 합성곱층, 통합층, ReLU층, 완전연결층 등이 있다.
합성곱층(convolutional layer)에서는 입력 영역에서 가중치 역할을 하는 필터(시각피질의 수용영역에 해당) 크기만큼의 영역을 필터와 합성곱 연산을 하여 새로운 데이터를 생성하고, 이 과정을 일정 거리(stride)만큼 이동하며 반복한다. 여기서 합성곱은 입력 영역과 필터에서 대응하는 원소끼리 곱한 후 그 결괏값을 모두 더해 총합을 구하는 연산이다. CNN은 합성곱층을 통해 3차원의 이미지의 형상과 특징을 놓치지 않고 정확히 학습할 수 있고, 모든 이미지 정보가 아니라 합성곱층 뉴런의 수용영역(필터) 안에 들어온 픽셀에만 연결을 함으로써, 합성곱층을 하나씩 차례로 진행할수록 저수준 특징에서 고수준 특징을 만들어가며 테두리, 색, 선 등 입력 이지미의 특징을 저장하게 된다. 이때 필터의 수가 많을수록 입력 이미지의 특징을 더 많이 분석할 수 있다. 그리고 합성곱층에서 필터를 적용해 새롭게 만들어진 이미지 정보 즉, 특성맵(feature map)은 다음 레이어로 전달된다.
통합층(pooling layer)은 전 단계에서 입력받은 정보를 가중치 없이 취사선택하는 단계로, 최대 통합 등의 방법을 통해 이미지 위치에 약간의 변화가 있어도 제대로 인식할 수 있도록 해준다. 통합층에서는 전체 이미지 영역을 일정 영역(필터)의 크기로 나누고 각 영역에서 필요한 정보를 취사선택하는 과정을 반복한다. 일반적으로는 평균값을 계산하는 평균 풀링(average pooling)보다는 필터에서 최댓값을 선택하는 최대 통합(max pooling)이 적용된다. 예를 들면 10x10의 이미지 정보를, 2x2의 필터로 1픽셀씩 이동하면서 필터 영역에 들어온 4개의 정보 중 가장 큰 값을 선택한다. 통합층에서의 필터는 합성곱층의 필터와는 달리 가중치의 역할을 하는 것은 아니므로 유의해야 한다. 즉, 통합층에서는 단순히 대푯값을 선택하는 단계이므로 별도의 학습 과정은 없다. 또한 입력 데이터에 약간의 변화가 있어도 최대 통합의 결과에는 유의미한 차이는 없다고 볼 수 있다.
ReLU층에서는 경사 문제를 해결할 수 있는 비선형 활성함수인 ReLU를 적용해 뉴런을 활성화한다. 끝으로 완전연결층(fully connected layer)에는 이미지 데이터를 1차원 배열의 형태로 평탄화(flatten)하고 다중 분류 문제에 적용되는 softmax함수로 이미지를 분류할 수 있다.
4. 참고문헌
이광형, 이병래(2018). 인공지능. 한국방송통싱대학교출판문화원.
아키바 신야 , 스기야마 아세이 , 데라다 마나부(2019). 머신러닝 도감. 제이펍.
사이토 고키(2017). 밑바닥부터 시작하는 딥러닝. 한빛미디어.
  • 가격10,000
  • 페이지수8페이지
  • 등록일2020.11.16
  • 저작시기2020.11
  • 파일형식한글(hwp)
  • 자료번호#1140423
본 자료는 최근 2주간 다운받은 회원이 없습니다.
다운로드 장바구니