개요

• 인간의 뇌를 Simulation한 것이고, 뉴런과 뉴런을 연결하는 선으로 구성된다.

  인간	Simulation
  Neurons	Nodes
  Connection Between Neurons	Weight

목적 및 사용

• 목적 : 결과예측, 분류, 데이터 패턴 찾기
• 사용예 :
  • 인사 ,경영 - 채용관련 , 경영관리
  • Marketing - 판매예측, Target Marketing
  • 운영 - Job Scheduling

이론

• 인간의 두뇌 기능을 모방하려는 문제 해결 방법론
• 머신러닝과 인공지능을 대표하는 기법

생물적 유추

Biological	그림	Artificial	그림
Soma		Node
Dendrites		Input
Axon		Output
Synapse		Weight

인공신경망 기본모형 ( Layers, Nodes and Weights )

인공신경망 구성

인공신경망에서 정보처리 방법

• 입력 변수(x1,x2)과 weight가 곱해지면서 노드에 정보가 전달되고 이의 합산은 다시 tresh hold를 통과 하게 되면 다른 weight를 타고 node로 타고 흘러 들어간다.

NN Architecture(기본알고리즘)

구분	내용	사례
Feedforword	node가 앞으로만 전진하면서 Learning	부도예측 등
Recurrent	node가 앞으로, 뒤로도 가면서 Learning	Time Series, 주가모델, 수요예측 등
Hopfield	상호작용을 통해 Learning

Feedforword

• 보통 3개의 Layer로 구성됨
• Topology(모양새)

• 학습방법

  • Weight를 조절해서 Delta =Z-Y (Z : 목적값 , Y: 오류값) 차이를 줄여 나가는 것
  • 간단 사례로 알아보는 Learning
    • representing input (4) and output(8) relationship ( ex: 4 * X = 8 )
      (*Try with x= 1, x= 2, x=3, …… When x=4, it solve the problem.)
    • 여기서 x가 증가하는 것이 증폭-learing ratio라고 한다
    • learing ratio가 크면 빨리 찾지만 , 나중에 오차가 커지게 된다. ( 반대이면, 속도는 떨어지나 정확도는 올라간다)
    
  • 아래와 같이 4개의 샘플에 대해 2개변수 1개의 out-put 있는 경우
    • 만일 위 그림에서 0.7, 0.7이 들어온다면, 1.4
    • treshhold 값, weight 등은 Backpropagation 등의 알고리즘으로 풀어낸다.
• Training data 와 test data 의 비율에 대한 고민
  • 데이터가 많은 경우 예시 : Training set (50%), Testing set (50%)
  • 데이터가 적은 경우 예시 : Training set (90%), Testing set (10%)
  • Validation Data : Training Data를 체크 하기 위해서 Validation Data 를 사용하기도 한다

ANN Development Tools

• E-Miner, Braincel (Excel Add-in), SPSS Neural Connector …

왜 인공신경명 예측을 사용하나 ?

• Non-linear model leads to better performance (비선형 모델에서 예측력이 높다-regression 비교)
• data size가 적을때, noises, missing 데이터가 많을때 예측력이 높다

• 빠른 의사결정을 만들때

  

인공지능의 한계

• 모델 자체가 Black Box이다. ( 사람의 머리를 알수 없듯이 … )
• 설명의 메커니즘을 찾을 수 없다.
• Training 타임이 길다.

인공지능 사례정리

• 부도기업 적용 사례
• 결측치가 많은 데이터를 이용한 개인 신용예측 사례
  • 결측치를 제외 하면 99% 이상의 데이터가 소실되는 경우