이 페이지의 최신 내용은 아직 번역되지 않았습니다. 최신 내용은 영문으로 볼 수 있습니다.

패턴 인식, 군집화 및 시계열을 위한 얕은 네트워크

신경망은 병렬로 동작하는 단순한 요소들로 구성됩니다. 이 요소들은 생물 신경계에서 영감을 얻은 것입니다. 자연에서처럼 주로 요소 간의 연결이 네트워크 기능을 결정합니다. 요소 간의 연결 값(가중치)을 조정하여 특정 기능을 수행하도록 신경망을 훈련시킬 수 있습니다.

일반적으로 신경망은 특정 입력값이 특정한 목표 출력값에 다다르도록 조정되거나 훈련됩니다. 다음 그림이 그러한 상황을 보여줍니다. 여기서 네트워크는 네트워크 출력값이 목표값과 일치할 때까지 출력값과 목표값을 비교한 결과를 기반으로 조정됩니다. 일반적으로 네트워크를 훈련시키려면 많은 입력값/목표값 쌍이 필요합니다.

신경망은 패턴 인식, 식별, 분류, 음성, 시각 및 제어 시스템을 비롯한 다양한 분야에서 복잡한 기능을 수행하도록 훈련되었습니다.

또한 사람이나 전통적인 컴퓨터가 다루기 어려운 문제를 해결하도록 신경망을 훈련시킬 수 있습니다. 이 툴박스는 공학, 재무 및 기타 실용적인 응용 사례를 구축하는 데 쓰이거나 그러한 응용 사례 내에서 사용되는 신경망 패러다임의 이용 방법에 중점을 둡니다.

다음 항목에서는 시각적 툴을 사용하여 함수 피팅, 패턴 인식, 군집화 및 시계열의 문제를 해결하도록 신경망을 훈련시키는 방법에 대해 설명합니다. 이러한 툴을 사용하면 처음 접하는 Deep Learning Toolbox™의 사용법을 아주 쉽게 익힐 수 있습니다.

Deep Learning Toolbox의 얕은 네트워크 앱과 함수

Deep Learning Toolbox는 네 가지 방법으로 사용할 수 있습니다.

  • 첫 번째 방법은 툴박스의 툴을 통해 사용하는 것입니다. nnstart 명령으로 시작되는 마스터 툴에서 이러한 툴을 열 수 있습니다. 이러한 툴로 편리하게 툴박스의 기능에 액세스하여 다음 작업을 수행할 수 있습니다.

  • 이 툴박스를 사용하는 두 번째 방법은 기본 명령줄 연산을 사용하는 것입니다. 명령줄 연산은 툴보다 더 많은 유연성을 제공하지만 좀 더 복잡합니다. 이 툴박스를 처음 접하는 사용자라면 툴을 이용하는 것이 가장 좋은 방법입니다. 또한, 툴에서 문서화된 MATLAB® 코드의 스크립트를 생성할 수 있으므로 이를 템플릿으로 사용하여 사용자 지정 명령줄 함수를 만들 수 있습니다. 먼저 툴을 사용하고, 그런 다음 MATLAB 스크립트를 생성하고 수정하는 순서가 툴박스의 기능을 학습하기에 적합한 방법입니다.

  • 툴박스를 사용하는 세 번째 방법은 사용자 지정입니다. 이 고급 기능을 사용하면 툴박스의 모든 기능에 액세스하는 동시에 자신만의 사용자 지정 신경망을 만들 수 있습니다. 임의의 연결을 갖는 네트워크를 만들 수 있으며, (네트워크 구성요소를 달리할 수 있는 범위 내에서) 기존 툴박스 훈련 함수를 사용하여 네트워크를 계속 훈련시킬 수 있습니다.

  • 툴박스를 사용하는 네 번째 방법은 툴박스에 포함된 함수를 수정하는 것입니다. 모든 계산 구성요소는 MATLAB 코드로 쓰여 있으며 그 모든 부분에 액세스할 수 있습니다.

이러한 네 가지 수준에서의 툴박스 사용법 덕분에 초보자부터 전문가까지 수준에 맞춰 툴을 사용할 수 있습니다. 신규 사용자는 특정 응용 사례에서 단순한 툴의 안내를 받을 수 있고, 전문 연구자는 최소의 노력으로 새로운 아키텍처를 시험해 볼 수 있습니다. 신경망과 MATLAB 지식 수준에 관계없이 필요에 맞는 툴박스 기능이 마련되어 있습니다.

자동 스크립트 생성

툴 자체는 Deep Learning Toolbox 학습 과정에서 중요한 부분을 차지합니다. 툴은 네 가지 중요한 응용 분야의 문제를 해결하기 위해 신경망을 설계하는 과정을 안내합니다. 신경망에 대한 배경 지식이나 MATLAB 사용에 대한 전문 지식이 필요하지 않습니다. 또한 이러한 툴은 툴에 의해 수행되는 스텝을 재현할 수 있는 단순 또는 고급 MATLAB 스크립트를 자동으로 생성할 수 있으며, 디폴트 설정을 재정의하는 옵션도 제공합니다. 이 스크립트는 사용자 지정 코드를 만들기 위한 템플릿을 제공할 수 있으며 툴박스의 명령줄 기능에 익숙해지도록 도와줍니다. 이러한 툴의 자동 스크립트 생성 기능을 사용할 것을 강력히 권장합니다.

Deep Learning Toolbox 응용 사례

신경망이 탁월한 솔루션이 되는 응용 분야를 모두 언급하는 것은 불가능합니다. 이 항목의 나머지 섹션에서는 함수 피팅, 패턴 인식, 군집화 및 시계열 분석에서의 몇 가지 응용 사례에 대해서만 설명합니다. 다음 표에서는 신경망이 최고의 솔루션을 제공하는 다양한 응용 분야를 보여줍니다.

산업

비즈니스 응용 사례

항공우주

고성능 항공기 자동조종장치, 비행 경로 시뮬레이션, 항공기 제어 시스템, 자동조종장치 개선, 항공기 구성요소 시뮬레이션 및 항공기 구성요소 오류 탐지

자동차

자동차 자동 안내 시스템 및 보증 활동 분석(warranty activity analysis)

은행업무

수표와 기타 서류 판독 및 신용거래 신청서 평가

국방

무기 조종, 표적 추적, 객체 구별, 안면 인식, 신종 센서, 수중음파탐지기, 레이더 및 이미지 신호 처리(데이터 압축, 특징 추출 및 잡음 억제, 신호/이미지 식별 포함)

전자

코드 시퀀스 예측, 집적 회로 칩 레이아웃, 공정 제어, 칩 오류 분석, 머신 비전, 음성 합성 및 비선형 모델링

엔터테인먼트

애니메이션, 특수 효과 및 시장 예측

재무

부동산 감정 평가, 대출 자문, 주택담보대출 심사, 회사채 등급 평가, 신용 한도 이용 분석, 신용 카드 활동 추적, 포트폴리오 매매 프로그램, 기업 재무 분석 및 통화 가격 예측

공업

과거에 같은 목적으로 사용된 복잡하고 값비싼 장비를 대체하는 공업 공정 예측(예: 용광로의 배출 가스)

보험

보험 신청 평가와 상품 최적화

제조

제조 공정 제어, 제품 설계와 분석, 공정과 기계 진단, 실시간 입자 식별, 시각적 품질 검사 시스템, 맥주 시험, 용접 품질 분석, 종이 품질 예측, 컴퓨터 칩 품질 분석, 연삭 작업 분석, 화학 제품 설계 분석, 기계 유지보수 분석, 프로젝트의 입찰, 계획, 관리 및 화학 공정 시스템의 동적 모델링

의료

유방암 세포 분석, EEG와 ECG 분석, 보철 설계, 이식 시간 최적화, 병원 비용 절감, 병원 품질 개선 및 응급실 검사에 대한 조언

오일과 가스

탐사

로보틱스

탄도 제어, 지게 로봇, 매니퓰레이터 제어기 및 비전 시스템

증권

시장 분석, 자동 채권 등급 평가 및 주식 거래 자문 시스템

음성

음성 인식, 음성 압축, 모음 분류 및 텍스트로부터 음성 합성

통신

이미지와 데이터 압축, 자동화된 정보 서비스, 음성 언어의 실시간 번역 및 고객 결제 처리 시스템

운송

트럭 브레이크 진단 시스템, 차량 스케줄링 및 경로 설정 시스템

얕은 신경망 설계 단계

이 항목의 나머지 섹션에서는 함수 피팅, 패턴 인식, 군집화 및 시계열 분석과 같은 네 가지 응용 분야에서 문제를 해결하기 위한 신경망 설계의 표준 단계를 따릅니다. 이러한 문제에 대한 작업 흐름은 7가지 주요 단계로 구성됩니다. (1단계의 데이터 수집은 중요한 작업이지만 일반적으로 MATLAB 환경 외부에서 이루어집니다.)

  1. 데이터 수집

  2. 네트워크 만들기

  3. 네트워크 구성

  4. 가중치와 편향 초기화

  5. 네트워크 훈련

  6. 네트워크 검증

  7. 네트워크 사용

다음 섹션에서는 GUI 툴과 명령줄 연산을 모두 사용하여 이러한 단계를 따릅니다.