Visual AI(시각 인공지능) Lecture 2 : Neural Networks and Preceptron

1. Visual AI(시각인공지능)
Lecture 2 : Neural Networks and
Preceptron
1

2. content
뉴럴 네트워크에 대한 간단한 아이디어 소개
패턴 분류 소개
퍼셉트론 : 뉴럴 네트워크의 가장 간단한 모델
2

3. what is Neuron?
3

4. 'Biological' -> 'Artificial' Neural Network
4

5. Artificial Neural Networks or Neural Networks
5

6. Artificial Neural Networks
6

7. Biological Vs Artificial Neural Networks
7

8. Pattern Classification
8

9. A Motivation Example
Task : sea bass와 salmon을 광학 센서를 이용해 구분하기
서로 다른 물리적 feature를 이용 : length, lightness, width, 등
9

10. 10

11. Pattern Recognition System
11

12. Classification (1/4)
두가지 타입의 고기의 length에 대한 히스토그램
우리는 어떻게 신뢰할만한 결정을 위해 threshold를 결정할 수
있을까?
12

13. Classification (2/4)
ligthness는 어떨까?
보기에는 threshold를 정하기 쉬워보이지만 완벽한 결정은 아닌
듯 함
13

14. Classification (3/4)
그렇다면 width와 lightness를 조합하면 어떨까?
2개의 feature 조합시 하나보다 나은가?
14

15. Classification (4/4)
Decision Boundary를 더 좋게 만들수 있을까?
15

16. Separability
2차원 공간에서 하나의 직선으로 decision making을 할 수 있으
면 linearly seperable
고차원에서 hyperplane을 통해 분리 가능
16

17. The Boolean AND Function is Linearly Separable
17

18. Non-linearly Separable Problems
18

19. Perceptron
19

20. Perceptrons are two-class classifier
20

21. Discriminant Function
퍼셉트론 결과가 1이면 활성화 0이면 비활성화
입력은 2개의 class로 나뉨.
discriminant function은 아래와 같음
x = − x −2
w2
w1
1
w2
w0
21

22. Example: Geometrical Design of AND Classifier
(1/2)
22

23. Example: Geometrical Design of AND Classifier
(2/2)
23

24. 24

25. Summary of Important Properties of Perceptrons
(1/2)
25

26. Summary of Important Properties of Perceptrons
(2/2)
26

27. How Neural Networks Work?
유튜브 링크
27

28. Next Week Lecture
수작업 없이 우리는 어떻게 자동으로 가중치를 찾을 수 있을까?
28