신경망 이론부터 실전 프로그래밍까지 한 권으로 끝내기

이런 분들께 추천합니다!

• 딥러닝과 신경망의 핵심 수학/이론 기초를 확실하게 다지고 싶으신 분

• 수식과 개념은 알지만 실제 코드로 구현하는 데 어려움을 느끼시는 분

• AI/머신러닝 관련 강의 수강 전·후로 체계적인 정리 자료가 필요하신 분

교안 주요 내용 및 특징

1. 이론과 실습의 균형

   • 단순 개념 전달에 그치지 않고, 이론이 실제 프로그래밍 코드로 연결되는 과정을 상세히 다룹니다.

2. 한눈에 들어오는 체계적 구성

   • 신경망 기초 구조부터 최적화, 역전파, 핵심 알고리즘까지 명확하게 단계별로 정리했습니다.

3. 소장 및 학습 최적화 PDF

   • 언제든 편하게 찾아볼 수 있는 깔끔한 편집과 핵심 위주의 텍스트/시각 자료 제공!

교안 구성

■ 신경망 기초 및 단층 신경망 모델(Neural Network Basics)

신경망(Neural Network) Model

활성화 함수(Activation Function)

단층신경망(퍼셉트론)

가중치 학습방법

노드(Node)와 가중치(Weight) 개수 계산

아달린(ADALINE)

■ 모델 비교 및 신경망 최적화 기법

퍼셉트론(Perceptron)/아달린/ 백프라퍼게이션(역전파) 비교

경사면하강(Gradient descent)

ADALINE 완전경사하강법(Full Gradient Descent)

ADALINE 확률적 경사하강법(Stochastic Gradient Descent)

■ 역전파(Backpropagation) 원리 및 알고리즘

역전파 완전경사하강법(Full Gradient Descent)

역전파 확률적 경사하강법(Stochastic Gradient Descent)

백프로퍼게이션(Backpropagation, 역전파)작동 원리

■ 실습 및 데이터 신경망 분석(Neural Network Basics)

붓꽃(Iris) 데이터셋을 활용한 신경망 분석:신경망 구조 및 가중치 개수 설계가중치 개수 계산,Hold OUT,신경망 모형 생성,신경망 모형 시각화,예측의 정확성 판단 : 테스트데이터 활용,예측값 산출 및 성능 평가

역전파알고리즘

Local 및 Global 의미

백프로퍼게이션(Backpropagation, 역전파) 신경망 따라하기 : 5:5 비율 훈련과 학습데이터, 은닉층 1, 은닉노드 2 로 설정,f신경망 모형 적합(Fit a Neural Network), 적합된 신경망의 가중치 확인(fitted model의 weights),모형 평가(Function Evaluation),confusion matrix,테스트 오류율(Test Error Rate)

■ 다층 신경망 및 기타 구조

다층신경망(multilayer neural network, 다층뉴럴네트워크,다층퍼셉트론,MLP)

RBF(radial basis function)네트워크

■ 백프로퍼게이션(Backpropagation, 역전파)신경망 따라하기 2

Data 로딩, Data hold out :: train set / test set,신경망 실행 : 최적 은닉 노드 개수와 은닉층을 tunning, 신경망 모델로 예측하기 및 혼동행렬,각 케이스의 각 그룹으로 분류될 예측 확률,신경회로망 구조,X.UNS출력컬럼에 영향을 주는 여러 데이터의 상대적인 중요도(weight),은닉노드 수에 따른 테스트 에러,신경회로망 시각화

neuralnet()을 활용한 다층신경망 분석

tune.nnet()을 활용한 하이퍼파라미터 튜닝

Perceptron -Binary classification algorithm