|
|
| Line 1: |
Line 1: |
| [[분류:인공지능]] | | #넘겨주기 [[딥 러닝]] |
| ;Deep Learning
| |
| ;인간의 뇌와 흡사하게 구현한 신경망 알고리즘을 적용하여 보다 빠르고 효율적으로 학습하는 [[인공지능]]
| |
| | |
| == 딥러닝 모델 문제점 ==
| |
| {| class="wikitable"
| |
| |-
| |
| ! 문제점 !! 설명 !! 해결방안
| |
| |-
| |
| | [[과적합]]
| |
| (Overfitting)
| |
| ||
| |
| 학습 데이터에 대해서만 최적화
| |
| ||
| |
| * 데이터 추가
| |
| * Regularization
| |
| * 조기 멈춤(Early Stopping)
| |
| * 드롭 아웃(Dropout)
| |
| |-
| |
| | [[기울기 소실]]
| |
| (Vanishing Gradient)
| |
| ||
| |
| 노드간 연결이 많을 때 가중치 학습 소실
| |
| ||
| |
| * 사전 학습
| |
| * [[ReLU]]
| |
| |-
| |
| | 성능
| |
| (Performance)
| |
| ||
| |
| 노드가 많아질수록 학습이 지나치게 오래걸림
| |
| ||
| |
| * GPGPU
| |
| |}
| |
| | |
| == 딥러닝의 한계 ==
| |
| * 딥러닝이 효과적으로 작동하기 위해선 아래의 조건 충족 필요
| |
| # 인공지능에게 판단에 필요한 충분한 지식을 습득하도록 만들 정도의 많은 데이터 필요
| |
| # 최적화의 목표가 분명하고 수치적·정량적으로 규정 가능해야 함
| |
| # 판단 대상이 훈련용 데이터에 비추어 이례적이지 않아야 함
| |
| * 딥러닝 인공지능이 판단을 내리는 논거는 제공한 데이터에 의하므로, 데이터가 편향되어 있으면 결과도 편향
| |
