순방향 신경망

기계 학습과 데이터 마이닝

패러다임 지도 학습 비지도 학습 온라인 기계 학습 메타-학습 준지도 학습 자기 지도 학습 강화 학습 규칙 기반 기계 학습 뉴로모픽 엔지니어링 양자 기계 학습
문제 분류 생성 모델 회귀 분석 클러스터 분석 차원 축 이상 탐지 데이터 정제 AutoML 연관 규칙 학습 구조 기반 예측 특징 공학 특징 학습 순위 학습 문법 유도 온톨로지 학습 멀티모덜 학습
지도 학습 (통계적 분류 • 회귀 분석) 결정 트리 학습법 앙상블 학습법 배깅 부스팅 랜덤 포레스트 최근접 이웃 탐색 k-NN 선형 회귀 나이브 베이즈 인공신경망 로지스틱 회귀 퍼셉트론 상관 벡터 머신(RVM) 서포트 벡터 머신(SVM)
클러스터 분석 BIRCH CURE 알고리즘 계층적 군집화 k-평균 알고리즘 퍼지 클러스터링 기댓값 최대화 알고리즘 DBSCAN OPTICS 평균이동
차원 축소 인자 분석 CCA 독립 성분 분석 선형 판별 분석 음수 미포함 행렬 분해 주성분 분석 t-SNE
구조화 예측 그래프 모형 베이즈 네트워크 조건부 무작위장 은닉 마르코프 모형 잠재 디리클레 할당
이상 탐지 무작위 표본 합의 k-최근접 이웃 알고리즘 국소 특이점 요인 고립 포레스트
인공 신경망 오토인코더 딥 러닝 순방향 신경망 순환 신경망 LSTM GRU 볼츠만 머신 제한된 생성적 적대 신경망 확산 모델 자기조직화 지도 합성곱 신경망 LeNet 알렉스넷 딥드림 신경 방사장 트랜스포머 비전 맘바 스파이킹 신경망 멤트렌지스터 전기화학 RAM 다층 퍼셉트론
강화 학습 Q 러닝 SARSA 시간차 학습
인간 참여학습 액티브 러닝 크라우드소싱 휴먼인더루프 RLHF
모델 진단 결정계수 혼동 행렬 러닝 커브 수신자 조작 특성
이론 커널 메소드 편향-분산 트레이드오프 계산학습이론 경험적 위험 최소화 PAC 러닝 통계적 학습이론 VC 이론
회의/저널 NeurIPS ICML ICLR ML JMLR
관련 문서 기계 학습 알고리즘 목록 기계 탈학습 지식 증류 유사도 학습 대조 학습
v t e

순방향 신경망(順方向神經網, feedforward neural network)은 노드 간의 연결이 순환을 형성하지 "않는" 인공 신경망이다.^[1] 즉, 이는 순환 신경망과 차이가 있다.

순방향 신경망은 고안된 인공 신경망의 최초의 가장 단순한 형태였다.^[2] 이러한 네트워크에서 정보는 입력 노드로부터 출력 노드 방향으로 한 방향, 전방향으로만 움직이며, 숨겨진 노드가 있는 경우 이를 경유한다. 네트워크 안에서 순환이나 루프는 존재하지 않는다.^[1]

단층 퍼셉트론

[편집]

가장 단순한 종류의 신경망은 출력 노드들의 단층으로 구성되는 단층 퍼셉트론(Single-layer perceptron)이다. 입력은 일련의 가중치(weight)를 통해 출력에 직접 피드(feed)된다.

다층 퍼셉트론

[편집]

이 유형의 네트워크는 다층의 연산 유닛으로 구성되며 일반적으로 피드 전방 방향으로 상호 연결된다. 한 층의 각 뉴런은 연이어 이어지는 층의 뉴런에 대한 방향이 있는 연결이 있다.

같이 보기

[편집]

각주

[편집]

↑ ^가 ^나 Zell, Andreas (1994). 《Simulation Neuronaler Netze》 [Simulation of Neural Networks] (독일어) 1판. Addison-Wesley. 73쪽. ISBN 3-89319-554-8.
↑ Schmidhuber, Jürgen (2015년 1월 1일). “Deep learning in neural networks: An overview”. 《Neural Networks》 (영어) 61: 85–117. arXiv:1404.7828. doi:10.1016/j.neunet.2014.09.003. ISSN 0893-6080.

외부 링크

[편집]