Slide

SlideShare에 올려놓은 슬라이드 버전은 아래와 같습니다.

content

  • 뉴럴 네트워크에 대한 간단한 아이디어 소개

  • 패턴 분류 소개

  • 퍼셉트론 : 뉴럴 네트워크의 가장 간단한 모델

what is Neuron?

‘Biological’ -> ‘Artificial’ Neural Network

Artificial Neural Networks or Neural Networks

Artificial Neural Networks

Biological Vs Artificial Neural Networks

Pattern Classification

A Motivation Example

  • Task : sea bass와 salmon을 광학 센서를 이용해 구분하기
  • 서로 다른 물리적 feature를 이용 : length, lightness, width, 등

Pattern Recognition System

Classification (1/4)

  • 두가지 타입의 고기의 length에 대한 히스토그램
  • 우리는 어떻게 신뢰할만한 결정을 위해 threshold를 결정할 수 있을까?

Classification (2/4)

  • ligthness는 어떨까?
  • 보기에는 threshold를 정하기 쉬워보이지만 완벽한 결정은 아닌듯 함

Classification (3/4)

  • 그렇다면 width와 lightness를 조합하면 어떨까?
  • 2개의 feature 조합시 하나보다 나은가?

Classification (4/4)

  • Decision Boundary를 더 좋게 만들수 있을까?

Separability

  • 2차원 공간에서 하나의 직선으로 decision making을 할 수 있으면 linearly seperable
  • 고차원에서 hyperplane을 통해 분리 가능

The Boolean AND Function is Linearly Separable

Non-linearly Separable Problems

Perceptron

Perceptrons are two-class classifier

Discriminant Function

  • 퍼셉트론 결과가 1이면 활성화 0이면 비활성화

  • 입력은 2개의 class로 나뉨.

  • discriminant function은 아래와 같음 $$ x_2 = – \frac {w_1}{w_2}x_1 – \frac {w_0}{w_2} $$

Example: Geometrical Design of AND Classifier (1/2)

Example: Geometrical Design of AND Classifier (2/2)

Summary of Important Properties of Perceptrons (1/2)

Summary of Important Properties of Perceptrons (2/2)

How Neural Networks Work?

Next Week Lecture

  • 수작업 없이 우리는 어떻게 자동으로 가중치를 찾을 수 있을까?