CHAPTER 2 퍼셉트론
마법 요정 고양이 지니가 도로시와 토토를 퍼셉트론 성문 앞에서 맞이합니다.
이번 장에서는 퍼셉트론 perceptron 알고리즘을 설명합니다. 퍼셉트론은 프랑크 로젠블라트 Frank Rosenblatt가 1957년에 고안한 알고리즘입니다. 고대 화석 같은 이 알고리즘을 지금 시점에 왜 배우는가 하면, 퍼셉트론이 신경망(딥러닝)의 기원이 되는 알고리즘이기 때문입니다. 그래서 퍼셉트론의 구조를 배우는 것은 신경망과 딥러닝으로 나아가는 데 중요한 아이디어를 배우는 일도 됩니다.
도로시와 토토가 오즈의 강화학습 지도를 살펴보고, 지니가 마법 나침반으로 길을 안내합니다.
이번 장에서는 퍼셉트론을 설명하고 퍼셉트론을 써서 간단한 문제를 풀어갑니다. 여정의 첫 목적지인 만큼 가볍고 즐거운 여행이 될 겁니다.
도로시와 토토, 그리고 지니가 드넓은 퍼셉트론 초원으로 힘차게 나아갑니다.
2장 세부 목차
학습자의 학습 흐름과 흥미를 이끌기 위해 총 7개의 서브 챕터로 나누어 모험을 진행합니다. 아래 링크를 클릭해 순서대로 모험에 합류해 보세요!
02.1 퍼셉트론이란?
다수의 입력을 받아 하나의 출력을 결정하는 인공 뉴런(퍼셉트론)의 기본 동작 원리와 가중치, 임계값의 수학적 개념을 배웁니다.
02.2 단순한 논리 회로
AND, NAND, OR 게이트의 진리표를 알아보고, 이를 동일한 퍼셉트론 구조 내에서 매개변수 조절만으로 표현하는 원리를 탐구합니다.
02.3 퍼셉트론 구현하기
임계값 상수를 편향(bias)으로 치환하여 가중치와 편향을 도입한 논리 회로를 넘파이(NumPy)를 사용해 파이썬 코드로 구현해 봅니다.
02.4 퍼셉트론의 한계
단층 퍼셉트론이 가지는 ‘선형 분리’ 영역의 제약을 시각적으로 분석하고, 왜 XOR 게이트를 단일 직선으로 분류할 수 없는지 그 원인을 학습합니다.
02.5 다층 퍼셉트론이 출동한다면
단층 퍼셉트론의 한계를 극복하기 위해 AND, NAND, OR 게이트를 조합하여 2층 다층 퍼셉트론을 구성하고 XOR 게이트를 구현하는 방법을 설명합니다.
02.6 NAND에서 컴퓨터까지
다층 퍼셉트론의 무한한 계산 가능성을 소개하며, 이론상 2층 퍼셉트론 조합(NAND 게이트들의 대결합)만으로 컴퓨터의 연산 장치마저 설계할 수 있음을 알아봅니다.
02.7 정리
2장에서 다룬 퍼셉트론의 정의, 가중치와 편향 매개변수, 단층과 다층 퍼셉트론의 차이점 및 핵심 학습 내용을 최종 요약합니다.
🌟 2장을 마치며: 퍼셉트론
2장에서는 신경망과 딥러닝의 위대한 시발점이 된 퍼셉트론 알고리즘의 동작 기작과 한계, 그리고 이를 극복하는 다층 구조의 힘을 탐험했습니다.
- 인공 뉴런의 시작: 여러 입력 신호에 고유한 가중치를 곱하고 편향을 더해 출력 여부를 결정하는 가장 단순한 형태의 선형 분류 모델을 이해했습니다.
- 매개변수 튜닝: 동일한 네트워크 구조에서도 가중치($w$)와 편향($b$)을 다르게 조합함으로써 AND, NAND, OR 같은 다양한 논리 소자로 기능할 수 있음을 확인했습니다.
- 선형 대 비선형: 단층 퍼셉트론은 오직 직선 하나로 영역을 가르는 선형 영역만 표현할 수 있어 비선형 분류가 필수적인 XOR 문제를 해결할 수 없다는 임계점에 도달했습니다.
- 다층의 마법: 기존 논리 회로들을 2층으로 겹쳐서 구성한 다층 퍼셉트론을 통해 비선형 영역을 분리할 수 있게 되었으며, 이를 통해 XOR 게이트뿐만 아니라 이론적으로 컴퓨터의 동작 방식 전체를 표현할 수 있음을 배웠습니다.
이제 우리는 퍼셉트론의 선형 분류 한계와 다층 결합의 필요성을 명확히 깨달았습니다. 다음 3장 신경망에서는 신호가 매끄럽게 흐르도록 돕는 활성화 함수를 도입하여, 매개변수를 자동으로 학습할 수 있는 진짜 신경망(Neural Network)의 기초를 구축해 보겠습니다!