2nd/10_Wiki/Topics/신경망 기초 (Neural Networks).md

신경망 기초 (Neural Networks)

📌 Brief Summary

인공 신경망(Artificial Neural Networks)은 생물학적 뇌의 뉴런 구조를 수학적으로 모방한 연산의 집합체로, 현대 딥러닝의 핵심 아키텍처입니다 [1, 2]. 입력 데이터로부터 특징을 단계별로 추출하고 비선형적인 관계를 학습하여 복잡한 함수를 근사(Function Approximation)하는 능력을 가집니다 [1].

📖 Core Content

• 핵심 구성 요소

  • 퍼셉트론 (Perceptron): 단일 뉴런 모델로, 입력값에 가중치를 곱하고 합산한 뒤 임계값을 넘으면 활성화 함수를 통해 신호를 전달합니다 [1, 3].
  • 계층 구조 (Layers): 입력층(Input), 은닉층(Hidden), 출력층(Output)으로 구성됩니다. 은닉층이 깊어질수록 더 복잡한 특징을 학습하는 '딥러닝'이 됩니다 [1, 4].
  • 활성화 함수 (Activation Function): ReLU, Sigmoid, Tanh 등 신경망에 비선형성을 부여하여 복잡한 패턴 학습을 가능하게 하는 스위치 역할을 합니다 [1, 3].

• 학습 메커니즘

  • 순전파 (Forward Propagation): 입력을 받아 각 층의 가중치를 거쳐 최종 출력을 계산하는 과정입니다 [1, 5].
  • 역전파 (Backpropagation): 실제 정답과 예측값의 오차를 뒤로 전달하여 오차를 줄이는 방향으로 가중치를 수정하는 학습 과정입니다 [1, 5, 6].

⚖️ Trade-offs & Caveats

• 블랙박스 특성: 신경망은 뛰어난 성능을 보이지만 내부 논리 구조를 명확히 파악하기 어려운 '블랙박스'적 특성을 가집니다. 이를 해석하기 위한 '기계적 해석 가능성(Mechanistic Interpretability)' 연구가 병행되고 있습니다 [1].
• 데이터 및 연산 의존성: 고성능 신경망을 구축하려면 방대한 데이터와 강력한 컴퓨팅 자원(GPU 등)이 필요합니다 [1].

🔗 Knowledge Connections

• Related Topics: 딥러닝 (Deep Learning, 경사 하강법 (Gradient Descent), 역전파 (Backpropagation), 활성화 함수 (Activation Functions
• Projects/Contexts: Antigravity 인지 프레임워크, 범용 함수 근사자 (Universal Function Approximator

---

Last updated: 2026-04-30