Home Forums US Life 뉴럴 네트워크 기본개념….. 뉴럴 네트워크 기본개념….. Name * Password * Email y = Wx + b 이 매트릭스 공식이 유효한 이유는 다음과 같습니다. y는 Wx + b의 선형 함수입니다. 즉, y는 Wx와 b의 선형 조합입니다. Wx는 입력 데이터의 가중치입니다. 즉, Wx는 입력 데이터를 특정 방식으로 변환합니다. b는 편향입니다. 즉, b는 Wx의 출력에 추가되는 고정된 값입니다. 이러한 의미에서, y = Wx + b는 입력 데이터를 사용하여 출력을 예측하는 선형 모델입니다. 고양이 패턴을 모델링하는 경우, Wx는 고양이 패턴의 특징을 포착하는 가중치 행렬입니다. b는 고양이 패턴의 평균을 나타내는 편향입니다. 예를 들어, 고양이 패턴의 특징으로 다음과 같은 것들을 고려할 수 있습니다. 눈의 개수 코의 위치 귀의 모양 꼬리의 길이 이러한 특징을 각 숫자로 표현하고, Wx는 이러한 숫자들을 특정 방식으로 변환하는 가중치 행렬이 됩니다. b는 고양이 패턴의 평균을 나타내는 편향이 됩니다. 이렇게 Wx와 b를 설정하면, y = Wx + b는 고양이 패턴을 예측하는 선형 모델이 됩니다. 10개의 파라미터가 필요한 이유는 고양이 패턴을 표현하기에 충분한 특징을 포착할 수 있는 가중치 행렬을 만들기 때문입니다. 9개의 파라미터만으로는 고양이 패턴을 정확하게 예측할 수 없을 수도 있습니다. 즉, y = Wx + b는 고양이 패턴을 포함한 모든 패턴을 모델링할 수 있는 선형 모델입니다. Wx와 b의 값을 설정하여 원하는 패턴을 모델링할 수 있습니다. 앤드류 엉같은 긴 강좌 말고 쉽게 설명해준 강의는 다음과 같은 것들이 있습니다. 3Blue1Brown의 "Neural Networks": https://www.youtube.com/watch?v=aircAruvnKk 3Blue1Brown의 "Linear Regression" 3Blue1Brown의 "Multivariable Linear Regression" 이러한 강의들은 선형 모델의 기본 개념을 쉽게 설명해줍니다. I agree to the terms of service Comment
