"ml" 태그로 연결된 1개 게시물개의 게시물이 있습니다.

머신러닝 기초 정리

2020년 8월 15일 · 약 23분

Eunkwang Shin

Owner

뇌

뉴런

한 사람의 뇌에는 평균 860억 개의 뉴련이 있다.
뉴런 간의 연결은 약 100~1,000조 개 정도이다.
뉴런 하나가 약 7,000개 연결을 갖고있다.
가지돌기: 데이터 수신
- 새로운 패턴이 만들어지면 돌기가 새로 만들어지거나 발달하여 다른 뉴런의 축색 말단에 가까이 가게 된다.
축삭: 데이터 전송, 전선
축삭말단: 데이터 전달
미엘린: 전선 피복
- 축삭을 따라 흐르는 신호가 손실되지 않고 빠르게 전달되는데에 도움을 준다.
- 잘 쓰지 않는 경로의 미엘린이 부실하거나 손상되면 뉴런에서 전달하는 신호도 약해지고 느려진다.
시냅스: 뉴런 사이의 연결부
- 전기 신호를 화학 물질로 바꿔 전달
- 시냅스의 길이는 20~40 나노미터이며 전기 신호보다 느리긴하지만 공간이 짧아 빠른 통신 가능
- 학습과 연습이 지속되어 해당 경로가 필요해지면 발신부에서 나오는 신경 전달 물질과 이 물질을 감지하는 수용체를 늘린다.
뉴런이 새로운 것을 배운다는 것은 새로운 경로의 생성과 강화를 의미한다.

구조

뇌의 3층 구조

전두엽: 감정, 운동, 지능
두정엽: 공간, 감각
후두엽: 시각
측두엽: 언어
뇌의 10% 만 사용한다는 설이 상식처럼 자리잡고 있지만, 사실 뇌의 100% 를 모두 사용하고 있다. (fMRI, EGG)
뉴런이 많다고 똑똑한 것은 아니다.
복잡한 일에는 많은 뉴런이 사용되어야하고, 단순한 일에는 적은 뉴런이 사용되어야 효율적인 결과가 나온다.
단순한 일에 많은 뉴런을 사용하면 과적합(overfitting)이고, 복잡한 일에 적은 뉴런을 사용하면 저적합(underfitting)이 된다.

세부구조

전두엽 Frontal lobe
- 몸의 수의운동, 자세 유지
  - 일차운동영역 Primary motor area
  - 전운동영역 Premotor area
  - 보조운동영역 Supplementary motor area
- 운동성 언어기능: 발성, 글자쓰기
  - 브로카영역 Broca area
- 고차 뇌 기능: 동기부여, 주의집중, 계획, 도덕성
  - 이마연합영역 Frontal association area
두정엽 Parietal lobe
- 체성감각기능: 촉각, 무게, 물리적인 감각
  - 일차체성감각영역 Primary somatosensory area
  - 이차체성감각영역 Secondary somatosensory area
- 고유감각기능
  - 자기 신체의 각 부분에 대한 위치 정보에 대한 감각
측두엽 Temporal lobe
- 청각
  - 청각피질 Auditory cortex
- 언어의 이해
  - 베르니케 영역 Wernicke`s area
  - 베르니케 영역 이상시 환자는 소리를 들을 수 있고 말도 할 수 있으나 이해하지 못하고 의미도 모름 (실독증, 실어증)
- 학습과 기억기능
후두엽 Occipital lobe
- 시각중추
  - 일차시각영역 Primary visual area
  - 시각연합영역 Visual association area
해마 Hippocampus
- 사실을 학습하고 기억하게 함
- 뇌의 다른 부위로 신호를 전달하는데 중요한 신경섬유 역할
- 시상하부의 기능을 조절
뇌활 (뇌궁) Fornix
- 해마와 시상을 연결하는 활 모양의 구조
시상 Thalamus
- 후각을 제외한 외부 운동과 감각신호를 대뇌 피질로 가기 전 중계하는 감각의 관문
- 수면과 각성의 조절, 의식
- 운동기능의 조절
시상하부 Hypothalamus
- 자율신경계 조절
- 뇌하수체의 기능을 조절
- 체온 조절, 음식물 섭취와 수분대사 조절
- 생체 리듬 조절, 수면 주기

퍼셉트론

뉴런에서 신호를 받는 과정은 4단계로 나눌 수 있다.

다른 뉴런들에게 신호를 받기
신호의 합이 충분히 큰지 확인하고 활성화하기
신호를 먼 곳으로 전달하기
신호를 다른 뉴런에 전달하기

1단계는 가지돌기에서 일어나며 신호 여러 개를 하나로 모아주는 시그마 연산과 같다.
2단계는 역치를 넘는지 확인하고 활성화를 시킨다. 활성화는 1, 비활성화는 0이므로 이를 만들어주는 활성화 함수 (계단 함수)가 필요하다.

↘
→ ( ∑ ) → ( 활성화함수 ) →
↗

3단계는 미엘린의 발달 여부에 따라 신호의 강도가 달라진다. 발달 정도를 나타내는 가중치인 w'를 곱해준다. 잘 발달된 경우 1에 가까운 값을 주면 된다.

↘
→ ( ∑ ) → ( 활성화함수 ) → ( × w' ) →
↗

4단계는 축색 말단에서 시냅스를 통해 다른 뉴런으로 전달한다. 시냅스의 발달, 가지돌기 가시 크기, 시냅스에서의 화학물질 양, 수용체의 민감도에 따라 신호의 효율이 달라진다. 이 값을 3단계와 동일하게 가중치인 w"를 곱해준다.

↘
→ ( ∑ ) → ( 활성화함수 ) → ( × w' ) → ( × w") →
↗

↘
→ ( ∑ ) → ( 활성화함수 ) → ( × W ) →
↗

이 연결을 여러 개로 구성한다면

↘
→ ( ∑ ) → ( 활성화함수 ) → ( × W₁ ) ↘
→ ( ∑ ) → ( 활성화함수 ) → ( × W₂ ) → ( ∑ ) → ( 활성화함수 ) → ( × W₄ ) →
→ ( ∑ ) → ( 활성화함수 ) → ( × W₃ ) ↗
↗

이를 가운데 부분만 떼어내 퍼셉트론 모델을 만들 수 있다.

→ ( × W₁ ) ↘
→ ( × W₂ ) → ( ∑ ) → ( 활성화함수 ) →
→ ( × W₃ ) ↗

이 인공뉴런을 기본 단위로 지능을 갖게 되는데 여기서 학습을 통해 정해지는 값은 W 이다. 각각의 W 값이 0이되면 연결 소멸, 0보다 크면 연결 생성, 값이 커지면 연결 강화, 기존보다 작아지면 연결 약화가 된다. 학습을 통해 이 값이 최적화 되면 이후 학습한 일을 언제든지 수행 가능하다.

강화학습

agent: 학습하고 행동을 취하는 주체
environment: 환경
reward: 보상
state: 상태
policy: 방침, 상황을 파악해 행동하는 것
강화학습이 가장 많이 쓰이는 분야는 자율주행이다.
차는 에이전트이며 차도라는 환경에 나와 차선, 사고 등의 마이너스 보상 (패널티)를 받으면 방침을 수정해 도로에서 해야할 것과 하지 말아야할 것을 경험하며 방침을 수정해 결과적으로 도로를 안전하게 주행이 가능하다.
보상과 패널티를 잘 조정해야 원하는 결과가 나온다.
시행착오를 하면서 방침을 찾아갈 수도 있지만, Q 함수에 현재 상태와 하고싶은 일인 action을 정해 물어보고 현재 상태에서 그 일이 얼마나 유익한지를 받아 학습할 수 있다.
物理エンジンくん 채널에 이런 영상들이 많다.

평생학습

life-long learning 또는 continual learning 으로 불린다.
현재의 뉴럿넷은 새로운 업무를 하면 이전 학습은 완전히 잊어버린다.
뇌는 연결이 만들어질 때 수신 뉴런에서 가지돌기 가시가 나온 후 발신 뉴런의 축산 말단에 닿아 새로운 연결을 만들어 기존 돌기의 변동성을 떨어뜨려 변하지 않게 함으로써 기존 경로를 보호한다.

EWC

Elastic Weight Conditioning
이전 학습에서 중요한 연결은 고정해 놓고 다른 연결만을 이용해 학습하는 것
고정된 숫자의 뉴런으로 무한한 일을 해내는 것은 불가능하므로 사람처럼 새로운 일을 배울 때마다 새로운 인공 뉴런을 추가해 효과적으로 처리하는 방법인 Progressive Neural Network가 고안되었다.

인지

의미

기계가 사물을 인식하는 방법은 숫자로 나타내는 것이다.
사물을 숫자로 나타내는 것을 벡터화 또는 인코딩, 변한된 결과를 벡터 또는 임베딩이라 한다.
One-hot representation: 1, 0으로 사물을 나타낸다.
- [1, 0, 0], [0, 1, 0] 처럼 항목별로 나누기에 비효율적
Distributed representation: 여러 개의 요소들의 숫자를 통해 사물을 나타낸다.
- [1, 1, 0], [0.5, 0.5, 0] 처럼 여러 요소를 저장
단어를 숫자로 잘 표현된다면 사물들의 벡터에서 단어 사이의 거리는 동일해야한다.
- MAN - WOMAN === UNCLE - AUNT
- KING - KINGS === QUEEN - QUEENS
이를 단어에서 해결하기 위해 아래 방법들이 나왔고, 이는 문장에서 자주 같이 나오는 단어들끼리 비슷하게 표현하는 방법이다.
- Skip-gram
- Cbow
- Glove
유사한 단어는 가깝게 모이고 다른 단어들은 멀리 떨어지며 단어 벡터에 의미가 담기게 된다.

시각

망막에서 이미지가 들어오면 막대세포에서 빛, 원뿔세포에서 색 정보를 따로 받아 시신경을 통해 뇌로 전달한다.
LGN -> V1 -> V2 -> V3 -> LOC 순으로 통과하면서 물리적, 인지적 한계를 넘는 처리를 한다.
- 각막의 혈관 제거
- 수정체에서 180° 뒤집혀서 들어오는 상을 다시 처리
- 황반의 몰려있는 원뿔세포로 인해 생기는 맹점 처리
- 원근 처리
LGN 에서는 공간 및 대조, V1, V2 에서는 물체 윤곽, 색, 움직임, 마지막엔 물체 간의 그룹화, 연관, 시각에 대한 의미적 내용을 통합한다.
시각은 한 번에 완성되는 것이 아니라 빛, 색, 윤곽, 깊이감 등이 점차 통합 되어 완성된다.

CNN

Convolutional Neural Network
98년에 발표된 Lenet-5 가 그 기원이다.
- 두 개의 convolution layer: 이미지의 다양한 특징 추출
- 두 개의 multi-layer perception, fully connected layer: 시각 정보 통합을 통해 정보 추상화와 의미적 정보 도출
- 하나의 결과 출력 레이어: 추상화되고 의미적인 정보를 이용해 사물 결정
머핀과 치와와를 구별하기 힘들어하지만 근래에는 1,000개가 넘는 레이어를 구성해 극복하려하고 있다.

청각

소리는 매질의 진동이며 소리에서 가장 필요한 정보는 무엇과 어디이다.
진동이 고막에서 물리적인 진동으로 변하고, 귓속뼈를 통해 증폭돼 달팽이관으로 전달된다.
전달된 진동은 달팽이관 내부 유모세포를 흔들어 전기신호를 발생시키고 이 신호가 청각 신경을 통해 뇌로 전달돼 소리를 듣는다.
달팽이관의 초입은 고주파를 받고 중심부에서는 저주파를 받는다. 주파수별로 처리함으로 모든 청신경이 켜지지 않고 효율적인 정보처리가 가능하다.
대역별로 받은 신호는 청각 신경을 통해 뇌의 1차 청각 피질에서 대역별로 처리한다.
청각피질도 주파수별로 구획화되어있다.
'무엇'에 대한 정보는 측두엽에 위치한 베르니케 영역과 브로카 영역을 순차적으로 통과하면서 음소 모델과 언어 모델을 이용해 이해한다.
'어디'에 대한 정보는 두정엽에서 귀에 도착한 타이밍의 차이, 주파수에 따른 소리 크기 차이, 도플러 효과 등과 같은 방법을 통해 방향과 거리를 알아낸다.
이 두 정보는 시각적 인지에 의존하므로 시각과 청각을 통합해 사용하는 멀티모달 연구가 진행 중이다.
고주파보다 저주파 대역의 변화에 민감해 저주파 대역에서 많은 정보를 뽑고 고주파 대역에서 적게 뽑으면 인지적으로 적합한 정보를 추출할 수 있는데, 이는 멜 주파수 필터로 가능하다.
무엇: Speech Recognition, Sound Classification
어디: Sound Localization

기억

기억은 뉴런들의 연결 강화 또는 약화이다.

내포적 기억

Implicit Memory
어떻게, 몸으로 익힌 기억
기저핵과 소뇌에서 주로 담당
절차 기억
- Procedural Memory
- 몸이 하는 기억
예비화 기억
- Priming Memory
- 과거의 경험에 의해 특정 자극이 들어왔을 때 기억의 민감도가 증가하는 기억

명시적 기억

Explicit Memory
구체적으로 설명 가능한 기억
고등적인 일 처리인 대화, 언어, 시각적 정보, 청각적 정보 등을 처리하는데에 필수
대뇌피질에 저장되며 특히 전두엽이 많이 사용된다.
일화 기억
- Episodic Memory
- 인상적인 날을 기억한다.
의미 기억
- Semantic Memory
- 객관적인 지식에 대한 기억

단기 기억

RAM
작업 기억, Working Memory
단순한 전기 신호로 저장

RNN

Recurrent Neural Network
단기기억을 모방
뉴럴넷이 연속으로 연결돼 있고 매 뉴럴넷마다 입력을 받는 구조
1, 2, ⋯, t-1, t, t+1 의 순차 구조에서 t-1 에서 처리된 결과와 t 에서의 입력이 함께 새로운 결과를 만들어 주는 모델
하나의 셀을 지날 때마다 모든 정보를 누적하므로 최근 이전 다섯 셀 이내의 정보만을 잘 기억해낸다.

LSTM

Long Short Term Memory
RNN 의 짧고 비효율적인 단기 기억을 해결하기 위해 제안
정보의 컨베이어 벨트가 있고 매번 필요한 정보를 넣고 필요 없는 정보를 빼서 효율적으로 정보를 관리한다.

장기 기억

HDD
물리적인 연결을 통해 저장
정보에 따른 고유 경로가 활성화되면서 머리 속에서 떠오른다.
전전두엽의 단기기억이 주로 수면 중에 해마와 편도체에서 내부 반복해 대뇌피질에 기억 관련 연결을 굳혀놓는다.

DNC

Differentiable Neural Computer
deepmind/dnc
정보를 외장 메모리에 차곡차곡 저장하고 필요할 때 불러 쓰는 방식
Q&A에 주로 사용한다.
Neural Turing Machine, Memory Network 등도 비슷한 방식이다.

효율적 기억

사람은 매초 4,000억 bits 즉 50GB의 정보를 쏟아받지만 필요한 정보만 선택해 실제로 2,000 bits만 사용한다.
이는 부주의맹(Inattention Blindness)라 하며 우리가 정보를 2억분의 1로 필터링하는 비결이다.
기계도 필요한 정보에 집중하는 Attention을 사용한다. 이 개념은 이미지 캡셔닝, 번역기에 활용된다.
- 원문에서 문맥적 의미가 비슷한 부분에 집중해 이 정보를 중점적으로 확인한다.

직관과 추론: 감정
심리, 도덕: 트롤리 문제
원샷 학습: 한 번의 예시만으로 학습
메타 학습
- 학습법의 학습
- MANN, Matching Network, MAML
전이 학습: 비슷한 것을 배운 지식을 새로운 것을 배울 때 활용해 빠르게 학습

용어

뉴럴넷: Neural Network
베이지안 네트워크: Bayesian Network
SVM: Support Vector Machine
오버피팅: overfitting, 과적합
MFCCs: Mel Frequency Cepstral Coefficients
스펙트로그램: 주파수를 대역별로 시각화한 것
Memory consolidation: 기억의 응고, 장기기억화
신경: Nerve 각 기관계를 연결하여 하나의 유기체로서 신체 활동의 조절과 조정을 담당하는 신경조직
중추신경계: Central nervous 몸 가장 가운데에 있는 신경으로, 신경정보들을 통합, 조정하는 중앙처리장치
척수: Spinal cord
신경세포: Nerve cell, Neu 신경계를 이루는 구조적, 기능적 단위
말초신경: Peripheral nerve 감각과 운동자극을 중추신경으로 연결하는 통로
대뇌: Cerebrum 중추신경계의 중추, 운동, 감각, 언어, 기억 및 고등 정신 기능 수행
시상: Thalamus 많은 신경핵들로 이루어진 대부분이 감각 신경이 지나가는 통로
소뇌: Cerebellum 움직임을 제어하는데에 주요한 역할
연수: Medulla oblongata 뇌간의 한 부분으로 호흡, 순환, 운동, 뇌신경 기능을 담당하는 뇌줄기의 하부구조
시냅스: Synapse 두 긴셩세포가 연결되어 신호가 전달 되는 공간
수막: Meninx 경질막, 거미막, 연질막으로 구성된 세층의 막으로 물리적으로 뇌와 척수를 보호
대뇌피질: Cerebral cortex 뇌 바깥쪽 회백질, 신경세포가 모여있음
백질: White matter 뇌 안쪽, 신경 세포에서 나가는 회로가 모여있음
뇌신경: Cranial nerve 신경이 뇌에서 나가면 뇌신경,척수에서 나가면 척수신경

뇌​

뉴런​

구조​

세부구조​

퍼셉트론​

강화학습​

평생학습​

EWC​

인지​

의미​

시각​

CNN​

청각​

기억​

내포적 기억​

명시적 기억​

단기 기억​

RNN​

LSTM​

장기 기억​

DNC​

효율적 기억​

Next​

용어​

뇌

뉴런

구조