[연세대학교] 센서공학 - 프로젝트 보고서 (LSTM)

소개

"[연세대학교] 센서공학 - 프로젝트 보고서 (LSTM)" 관련 자료입니다.

목차

1. Introduction
2. Sensors
3. Neural Networks
4. Training the Neural Network
5. Results
6. References

본문내용

1. Introduction
인류는 오래전부터 인간처럼 생각하는 기계를 꿈꿔왔다. 고대 그리스 신화에 등장하는 판도라, 탈로스 등은 모두 이를 뒷받침한다고 할 수 있다 [1]. 그 후 컴퓨터가 발명되었고, 1956년 미국에서 인공 지능이라는 용어가 처음으로 등장하였다. IBM의 Deep Blue, DeepMind에서 개발한 AlphaGo는 각각 체스, 바둑의 인간 챔피언을 꺾었고 현재 인공 지능은 음성 인식, 무인 자동차 등 일상 생활의 여러 분야에서 이용되고 있다.

최근 인공 지능이 보여준 여러 성과는 Neural network로 표현되는 Deep learning에 기인한다고 할 수 있다. Neural network는 겹겹이 쌓인 Layer를 통해 데이터로부터 Feature를 추출한다. 즉, 데이터로부터 유용한 정보만을 뽑아내는 과정을 사람이 아니라 Neural network가 자체적으로 하는 것이 다른 Machine learning 기법과 가장 다른 점이라고 할 수 있다. Deep learning은 Data의 개수가 많을 때 압도적인 Performance를 보여주며 (Figure 1), 특히 Classification에 매우 효과적이다.

참고자료

· “Deep learning”, I. Goodfellow, Y. Bengio, and A. Courville, MIT Press, 2016.
· “Long short-term memory”, S. Hochreiter and J. Schmidhuber, MIT Press, vol. 9, no. 8, p. 1735-1780, 1997.
· “Bimorphic piezoelectric pickup device for stringed musical instruments”, M. V. Mathews, U.S. Patent 4,860,625, 1988.
· “Magnetic pick-up device for stringed musical instrument”, G. Gaglio, U.S. Patent 6,476,309, 2002.
· “Anomalous piezoelectricity in two-dimensional graphene nitride nanosheets”, M. Zelisko et al., Nature, 2014.
· “How to construct deep recurrent neural networks”, R. Pascanu et al., ICLR, 2013.
· “Learning long-term dependencies with gradient descent is difficult”, Y. Bengio, P. Simard, and P. Frasconi, IEEE, vol. 5, no. 2, p. 157-166, 1994.
· “On the difficulty of training recurrent neural networks”, R. Pascanu, T. Mikolov, and Y. Bengio, JMLR, 2013.
· “A guided tour of the fast fourier transform”, G. D. Bergland, IEEE, vol. 6, p. 41-52, 1969.
· “Neural network classification: a Bayesian interpretation”, E. A. Wan, IEEE, vol. 1, p. 303-305, 1990.