https://gall.dcinside.com/board/view/?id=programming&no=2697940


더 알아보기)



Q1) AI 의 원리에 대해서 신경망의 구조에 의해 기계학습으로 Output 을 내놓는 것인데 윗 링크의 게시물 내용이 맞는가?


A1) 신경망의 구조에 대해서는 "오류 역 전파 알고리즘" 에 의해서 Output 을 내놓는 것이 Deep Learning 으로 불린다. 이에 대해서는 AND 와 Not AND 에 대해서 인간언어의 형용단어의 Token 에 대해서 좀 더 자세하게 말하자면 "오류 역 전파 알고리즘" 에 기계학습의 오류(True or False) 에 대해서 학습자료에 대한 오류(True or False) 에 대해 형용 Token 의 List 에 맞춰서 인간의 Feed-Back 을 수행하는 것에 대한 것으로 생각을 하고 있다. 신경망의 Layer 에 대해서 "오류 역 전파 알고리즘"의 Tensorflow 에서 말하는 Shape 에 대해 Input 과 Output 의 Parameter 에 대해있는 Weight 와 Bias 가 조정되는 일에 대해서 Output 의 False 에 대해 Token 의 형용기준들에 맞지않은 부분에 대해서는 False 를 내놓는 중간 지도학습에 의해서 부류의 True or False 의 기준조정을 수행하는 것에 대한 내용이다.



Q2) 그렇다면 형용기준들에 맞는 학습자료를 그러한 방식으로 내놓는 것에 대해서 Output 이 일정하게 나올 수 없지는 않은가?


A2) 그 부분에 대해서는 조정이 필요하다. 기계학습의 기법에 대해서는 학습자료의 Shape 를 Serialization 시킬 수가 있다. 이에 대해서 Data Sequence 가 이루어지는데 학습자료에 대해서 형용기준들의 부류에 해당하는 자료들에 대해서 적절히 자료를 취합해야하기도 하지만 많은 학습자료의 묶음에 대해서 Randomize 시키는 것이 "오류 역 전파 알고리즘" 에 대해서 있을 수가 있고 Data Sequence 의 Array 를 Randomize 시키는 것이 정도의 값을 Layer 마다 조정하여 적당한 Output 을 통계적 평균효과를 내볼 수도 있다. 그리고 Output 과 Input 사이의 Hidden Layer 의 갯수를 증강하여 Correlation 에 대한 Combination 기준의 복잡도를 높히는 것에 의해서 통계적인 방식으로 의미의 정도를 떨어뜨릴 수도 있다. 형용기준들에 의해서 Recursive 하게 부류가 Clustered 되는 학습자료 전체에 대해서 정확하지 않을 수도 있지만 Feature 에 대한 Combination 의 양을 초과하는 수준에서 Layer 를 맞춰놓는다면 어느정도 Output 에 대해서 주어지지 않은 입력 CASE 에 대해서 Feature 의 Combination 이 기계학습에 의해서 이루어질 수 있다. 학습자료에 대해서 분간하기 힘든 정도의 묶음을 가지는 성질이 있다면 Combination 에 대해서 Feature 는 "오류 역 전파 알고리즘"에 의해서 Feature Combination 을 초과하는 Detail 을 제시하는 Output 이 Weight 및 Bias 에 의해서 Copy 되는 부류의 Detail 이 만들어질 것이다.



Q3) AI 는 왜 학습시켜야 하는가?


A3) 나도 모른다. 그렇지만 대단한 결과를 내놓고 있다.



abcd9999