방통대 [딥러닝의통계적이해] 2024 출석과제물 (30점 만점 인증 / 표지제외 18페이지 분량 / 코드 및 해설 포함)

문서 내 토픽

1. Teachable Machine을 이용한 이미지 분류

Teachable Machine에 판다 이미지 54개와 레서판다 이미지 21개를 각 클래스로 나누어 입력하고 학습시켰다. 학습 시도 횟수인 에포크는 50으로 설정되었으며, 배치 크기는 16으로 설정되었다. 학습률은 0.001로 설정되어 있으며, 학습이 완료된 모델에 테스트 이미지를 입력한 결과 판다와 레서판다의 사진 또는 그림에 대해 대부분 100%로 판단하고 정답을 맞추는 것을 확인할 수 있었다. 레서판다 이미지 샘플 수 부족을 보완하기 위해 학습률을 0.00057로 낮추거나 에포크 수를 100으로 늘리는 등의 실험을 진행하였다.
2. 다층신경망의 학습 과정

다층신경망의 학습 과정은 데이터 전처리, 모델 구조 만들기, 활성화함수 선택하기, 손실함수 정하기, 옵티마이저 선택하기, 학습 진행하기, 하이퍼파라미터 조정하기의 단계로 진행된다. 데이터 전처리 단계에서는 데이터의 단위 차이, Null 값, 이상치 등을 처리하고, 모델 구조 만들기 단계에서는 입력 데이터와 출력 결과에 따라 층별 크기와 깊이를 결정한다. 활성화함수 선택, 손실함수 정의, 옵티마이저 선택 등을 통해 모델을 학습시키고, 하이퍼파라미터 튜닝을 통해 모델의 성능을 향상시킨다.
3. Exclusive or 분류 과제

Exclusive or 분류 과제를 수행하기 위해 3개의 은닉층으로 구성된 신경망 모델을 구축하였다. 첫 번째 모델은 Sigmoid 활성화함수와 L2 정규화를 사용하였으나 성능이 좋지 않았다. 두 번째 모델은 Sigmoid 활성화함수와 높은 학습률(3)을 사용하여 테스트 손실이 0으로 수렴하였지만 학습 과정이 불안정하였다. 세 번째 모델은 Tanh 활성화함수와 학습률 1을 사용하여 57회만에 테스트 손실이 0.001로 수렴하는 등 안정적이고 효율적인 성능을 보였다. 이를 통해 하이퍼파라미터 튜닝이 모델 성능에 중요한 영향을 미침을 확인할 수 있었다.
4. MNIST 숫자 손글씨 분류

MNIST 숫자 손글씨 데이터셋을 활용하여 숫자 분류 모델을 구축하였다. 데이터를 정규화하고 Sequential 모델을 생성하여 3개의 은닉층으로 구성된 신경망을 구축하였다. 첫 번째 은닉층에 512개의 뉴런, 두 번째 은닉층에 256개의 뉴런, 출력층에 10개의 뉴런을 사용하였다. 옵티마이저는 Adam, 손실함수는 sparse_categorical_crossentropy를 사용하여 12회 학습을 진행한 결과 테스트 데이터에 대한 정확도는 98.25%로 나타났다.

Easy AI와 토픽 톺아보기

1. Teachable Machine을 이용한 이미지 분류

Teachable Machine은 AI 모델 구축을 위한 간단하고 직관적인 도구입니다. 이를 통해 사용자는 별도의 코딩 없이도 이미지 분류 모델을 빠르게 만들 수 있습니다. 이 도구는 데이터 수집, 모델 학습, 배포 등 AI 모델 개발의 전 과정을 쉽게 수행할 수 있도록 지원합니다. 특히 이미지 데이터를 직접 수집하고 레이블링할 수 있어 사용자 맞춤형 모델 구축이 가능합니다. 하지만 복잡한 모델 구조나 고급 기능을 구현하기에는 한계가 있으므로, 보다 전문적인 AI 개발 환경이 필요할 수 있습니다.
2. 다층신경망의 학습 과정

다층신경망은 입력층, 은닉층, 출력층으로 구성된 인공신경망 모델입니다. 이 모델은 복잡한 비선형 함수를 학습할 수 있어 다양한 문제에 적용될 수 있습니다. 학습 과정에서는 오차역전파 알고리즘을 통해 각 층의 가중치를 점진적으로 조정하여 출력 오차를 최소화합니다. 이 과정에서 은닉층의 특징 추출 능력이 향상되어 모델의 성능이 개선됩니다. 다만 과적합 문제, 학습 속도 저하 등의 이슈가 발생할 수 있어 이를 해결하기 위한 다양한 기법들이 연구되고 있습니다. 전반적으로 다층신경망은 복잡한 문제 해결에 강력한 도구로 활용되고 있습니다.
3. Exclusive or 분류 과제

Exclusive or(XOR) 분류 과제는 단순한 선형 분류기로는 해결할 수 없는 대표적인 비선형 문제입니다. XOR 문제를 해결하기 위해서는 은닉층을 가진 다층신경망이 필요합니다. 이 모델은 입력 데이터의 비선형적인 특징을 학습하여 정확한 분류를 수행할 수 있습니다. XOR 문제 해결은 다층신경망의 강력한 표현 능력을 보여주는 대표적인 사례로, 이를 통해 단순한 선형 모델의 한계를 극복할 수 있음을 알 수 있습니다. 이러한 비선형 문제 해결 능력은 다층신경망이 다양한 실세계 문제에 적용될 수 있는 이유가 되고 있습니다.
4. MNIST 숫자 손글씨 분류

MNIST 데이터셋은 손글씨 숫자 이미지를 포함하고 있으며, 이를 활용한 숫자 분류 과제는 AI 모델 개발의 대표적인 벤치마크 문제입니다. 이 과제를 통해 다양한 기계학습 및 딥러닝 모델의 성능을 비교할 수 있으며, 새로운 모델 아키텍처와 학습 기법을 검증할 수 있습니다. MNIST 데이터셋은 비교적 단순한 이미지 구조를 가지고 있지만, 실제 손글씨 이미지의 다양성과 노이즈를 반영하고 있어 실용적인 문제 해결을 위한 좋은 테스트베드가 됩니다. 이를 통해 개발된 모델은 실제 응용 분야에서도 활용될 수 있을 것으로 기대됩니다.

주제 연관 토픽을 확인해 보세요!