ReLU (2) 썸네일형 리스트형 04. 딥러닝 프로젝트 시동 걸기와 하이퍼파라미터 튜닝 목차 4.1 성능 지표란 4.2 베이스라인 모델 설정하기 4.3 학습 데이터 준비하기 4.4 모델을 평가하고 성능 지표 해석하기 4.5 신경망을 개선하고 하이퍼파라미터 튜닝하기 4.6 학습 및 최적화 4.7 최적화 알고리즘 4.8 과적합을 방지하기 위한 규제화 기법 4.9 배치 정규화 4.10 프로젝트 : 이미지 분류 정확도 개선하기 4.1 성능 지표란 4.1.1 정확도가 가장 좋은 지표인가 : 예측하고자 하는 문제에 따라 성능지표가 다르다. 예를 들어, 1백만 명 중 1명꼴로 발병하는 희귀한 질환을 예측하는 경우 모두 질환이 없다고 예측을 해도 99.999%의 정확도가 나온다. 4.1.2 혼동 행렬(confusion matrix) : 모델의 분류 결과를 정리한 표로, 정확도 외에 다른 성능 지표를 보여.. 02. 딥러닝과 신경망 목차 2.1 퍼셉트론 2.2 다층 퍼셉트론 2.3 활성화 함수 2.4 순방향 계산 2.5 오차 함수 2.6. 최적화 알고리즘 2.7 역전파 알고리즘 2.1 퍼셉트론 2.1.1 퍼셉트론이란? : 뉴런이 하나뿐인 가장 간단한 형태의 신경망 인공 뉴런은 두 가지 함수를 이용해서 생물학적 뉴런에서 일어나는 현상을 모형화 - 가중합 : 전체 입력 신호 세기의 합 - 스텝 함수 : 입력 신호 세기의 합이 임곗값을 초과할 때만 출력 신호를 내보내는 함수 결합 가중치 : 입력 특징은 해당 특징이 출력에 미치는 중요도를 나타내는 가중치를 각각 부여받는다. 결합 가중치를 어떻게 부여하느냐와 어떻게 학습이 이루어지느냐가 신경망 학습의 핵심. 가중합 함수 : 선형 결합이라고도 하며, 각 가중치를 곱한 입력값의 합에 편향을 더.. 이전 1 다음