Silverback9

오늘은 threshold 기준선을 적절하게 조정하는 것에 대해 공부해 볼게요~^^*

우리 앞으로 관현악곡을 공부하는 마음으로 함께 들어볼까요?

봄을 준비하는 마음으로, 마침내 오고야 말 봄을 맞이하러 달려나가는 마음으로, 2월의 마지막 주간을 베토벤 교향곡 제9번을 공부하듯 하지만 편안하게 들으며 아침을 풀어내면 어떨까 해요~^^*

일주일 동한 한 작품의 교향곡을 지휘자 선생님을 다양하게 모시고 감상해 보면 어떨까 하는데요. 어떠셔요?

네~^^* 좋아요~^^* 고마워요~^^*

네~^^* 오늘은 Supervised Learning Algorithm에 대해 공부해 보도록 하겠습니다~^^* Perceptron이 추측한 방향에서 바람직한 방향으로 인식의 방향을 틀도록 Error 값을 알려주어 훈련시키는 단계라고나 할까요~~^^* 네~^^* Threshold 기준선의 기울기를 조정하는 과정인 것 같기도 해요~^^*

음….

아…

네…

저도 그렇게 순간 느꼈어요!

네~^^* 저도~^^* 바람직한 방향으로 몸을 트는 Steering Bahaviour가 떠올랐어요!

Steering = Desired - Vel;
바람직한 방향의 벡터에서 가고 있는 방향의 벡터를 빼면 vehicle의 몸을 틀어야 할 방향의 벡터가 나오지요~^^*

error 값은 바람직한 값에서 추측한 값을 뺸 것과 같게 되네요~^^*

Error = Desired Output - Guess Output;

바람직한 값 - 추측한 값 => Error 값
    <-1>    -    <-1>   =>   0      (-1-(-1)) = -1+1 = 0
    <-1>    -    <+1>   =>  -2      (-1-(+1)) = -1-1 = -2
    <+1>    -    <-1>   =>   2      (+1-(-1)) = +1+1 = +2
    <+1>    -    <+1>   =>   0      (+1-(+1)) = +1-1 = 0  

그래서요~^^*

기존의 가중치값에 가중치 변화량(Error값 반영)을 더해서 새로운 가중치값을 만들면 좋을 것 같아요~^^*

근데요, 새로운 가중치 값을 만들기 위해 기존의 가중치 값에 얼마의 변화량을 더하면 좋을까요?

이 변화량을 계산해 나가는 과정을 Gradient Descent 경사하강법라고 부른다고 해요~^^*

New Weight = Old Weight + Weight 변화량
Weight 변화량 = New Weight - Old Weight 

Gradient Descent 경사하강법 Algorithm이 있다고 하는데요~^^*

1. Provide the perceptron with inputs for which there is a known answer.
2. Ask the perception to guess the anser.
3. Compute the error.(Did it get the answer right or wrong?)
4. Adjust all the weights according to the error. 
5. Return to Step 1 and repeat!

1. 알려진 답이 있는 입력값을 perceptron에게 제공한다.
2. perception에게 그 답을 추측하도록 요구한다.
3. Error 값을 계산한다. (Perceptron이 답을 올바르게 구했나 틀리게 했나?)
4. 그 Error값에 따라 모든 가중치 값을 조정한다.
5. 단계 1로 돌아가서 반복한다!

오~^^* Gradient Descent 경사하강법 재미있을 것 같은데요~~^^*

오늘 저와 함께 새로운 알고리즘 Gradient Descent를 조우해 주셔서 감사합니다~^^*

내일은 우리~^^* 이 알고리즘을 기반으로 perceptron을 훈련하는 함수를 만들어 볼까요~^^*

네~^^* 좋아요~^^* 고마워요~^^*

오늘도 보람찬 하루 보내시고요~^^*

뿌듯한 가슴 안고 깊은 잠 코~^^* 하시기 바래요~^^*

네~^^* 꿈은 이루어 집니다~^^*