![](https://img1.daumcdn.net/thumb/R750x0/?scode=mtistory2&fname=https%3A%2F%2Fblog.kakaocdn.net%2Fdn%2F9UIbC%2FbtqCjSlzW8s%2FHJftTm99k0Mrulr3fBilW1%2Fimg.png)
์ธ๊ณต์ ๊ฒฝ๋ง ์ค๊ณ ์ ๊ณ ๋ ค์ฌํญ Network topology ๋คํธ์ํฌ์ ๋ชจ์ (feed forward, feed backward) Activation function ์ถ๋ ฅ์ ํํ Objectives ๋ถ๋ฅ? ํ๊ท? Loss function, Error๋ก ๋ํ๋ผ ์ ์์ Optimizers weight update Generalization Overfitting ๋ฐฉ์ง 2. activation function ์ถ๋ ฅ์ ํํ ๊ฒฐ์ 1. one-hot vector ์ฌ๋ฌ ๊ฐ ์ค ํ๋์ ๊ฐ๋ง ์ถ๋ ฅ ex_ ์ซ์ ์๋ณ 2. softmax function ํด๋น ์ถ๋ ฅ์ด ๋์ฌ ํ๋ฅ ๋ก ํํ 3. objective function ๊ธฐํ ๋ชฉ์ ํจ์ Mean absolute error / mae Mean absolute percentag..
![](https://img1.daumcdn.net/thumb/R750x0/?scode=mtistory2&fname=https%3A%2F%2Fblog.kakaocdn.net%2Fdn%2Fbmdvaq%2FbtqCn0pl9IC%2F7H8FGY0ur430RNt14Xr120%2Fimg.png)
๊น์ด์ง ์ธ๊ณต์ ๊ฒฝ๋ง์ ๋ฌธ์ ์ Generalization : training์ ์ฌ์ฉ๋์ง ์์ data์ ๋ํ ์ฑ๋ฅ Data set Training set training์ ์ฌ์ฉํ๋ data set Validation set ์ฃผ์ด์ง data set ์ค ๋นผ๋์๋ค๊ฐ ์ฑ๋ฅ์ ๊ฒ์ฆํ ๋ ์ฌ์ฉํ๋ data set Test set ์ฃผ์ด์ง์ง ์์๋ ์ ํ ์ ์๋ data set ํ์ต์ด training set์ผ๋ก ์งํ๋๊ธฐ ๋๋ฌธ์, ํ์ต์ ๋ฐ๋ณตํ ์๋ก training set์ ๋ํ ์ ํ๋๋ ๋์์ง๊ณ ์ค๋ฅ์จ์ ๋ฎ์์ง๋ค. ํ์ง๋ง validation set์ ๋ํ ์ค๋ฅ์จ์ ๋ฎ์์ง๋ค๊ฐ ๋์์ง๋ ํ์์ ๋๋๋ฐ, ์ด๋ ํ์ต์ด ๋๋ฌด training set์๋ง ์ ํฉํ๊ฒ ๋์๊ธฐ ๋๋ฌธ์ด๋ค. ์ด๋ฅผ training set์ overfitting(..
Comment