728x90
파이선 코딩을 배우는 초보자도 머신 러닝에 한번 도전해 보자.
머신 러닝을 배우려는 파이선 코딩 초보자들이 가지게 될 의문점들을 하나하나 찾아내어
실제 풀어보고 결과를 확인해볼 수 있도록 완전히 뒷문으로 들어가 시작하는 머신 러닝!
인터넷 교보문고에서 450페이지19900원에 판매중입니다.
__________________________________________________________________________________________________________________
Sigmoid 함수의 중복적인 사용으로 인한 Vanishing Gradient 문제로 인해 Hinton 교수가 제안한 ReLU 함수가 대안으로 폭 넓게 사용되면서 문제의 해결이 이루어졌지만 한편 Sigmoid 함수의 사용이 대단히 위축 되었다. 하지만 ReLU 함수의 약점 중의 하나가 꺽어지는 부분에서 미분계수 값을 가지지 못하는 단점이 있다. 이러한 약점을 보강하면서 변수가 ∓∞에 접근할 경우 ReLU와 거동이 유사해지면서 Sigmoid 함수를 포함하는 간단한 형태의 연속함수를 제안한다. 이 연속함수 zSigmoid(z)는 별도의 새로룬 함수 도입없이 코드상에서 간단히 한줄로 구현이 가능하다. 머신 러닝의 여러 종류의 문제에 대해서 verification 이 되어야겠지만 대표적으로 Wide Deep NN 문제에 적용해 보기로 하자.
계속되는 내용은 아래의 url 로 이동하여 마자 읽어 보시기 바란다.
'머신러닝' 카테고리의 다른 글
| Iris flower data 텍스트 파일 엑셀 처리기법 (0) | 2019.02.08 |
|---|---|
| MNIST CNN 머신 러닝에서 ReLU 대신 zSigmoid(z)를 사용해보자! (0) | 2019.02.07 |
| Softmax로 학습된 확률분포와 테스트된 확률분포의 통계적 특성 비교 (0) | 2019.02.05 |
| 볼츠만의 확률분포식 유도과정과 머신 러닝 Softmax 의 출발점 (0) | 2019.02.01 |
| Softmax와 볼츠만 확률분포와의 Analogy-III: 볼츠만 확률분포와 머신러닝의 차이점 (0) | 2019.01.31 |