Antigravity Agent
57 lines
4.1 KiB
Markdown
57 lines
4.1 KiB
Markdown
---
|
|
category: Unified
|
|
tags: [auto-consolidated, technical-documentation]
|
|
title: Neural Networks Foundations (신경망 기초)
|
|
last_updated: 2026-05-02
|
|
---
|
|
|
|
# Neural Networks Foundations (신경망 기초)
|
|
|
|
## 📌 Brief Summary
|
|
> "생물학적 뇌를 모방한 수학적 연산의 집합체" — 뉴런의 활성화 구조를 모방하여 입력 데이터의 특징을 단계별로 추출하고 비선형적인 관계를 학습해내는 인공지능의 핵심 아키텍처.
|
|
|
|
---
|
|
|
|
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
|
|
- **추출된 패턴:** 가중치(Weights)와 편향(Bias)을 가진 노드들이 층(Layer)을 이루어 연결되고, 활성화 함수(Activation Function)를 통해 복잡한 함수 관계를 근사(Function Approximation)하는 패턴.
|
|
- **기본 구성 요소:**
|
|
- **Perceptron:** 단일 뉴런 모델. 입력값에 가중치를 곱하고 합산한 뒤 임계값을 넘으면 활성화.
|
|
- **Layers:** 입력층(Input), 은닉층(Hidden), 출력층(Output)으로 구성. 은닉층이 많아질수록 '딥러닝'이 됨.
|
|
- **Activation Functions:** ReLU, Sigmoid, Tanh 등. 신경망에 비선형성을 부여하여 복잡한 패턴 학습 가능하게 함.
|
|
- **Forward Propagation:** 입력을 받아 출력을 계산하는 과정.
|
|
- **[[Backpropagation|Backpropagation]]:** 실제 값과 예측 값의 오차를 뒤로 전달하여 가중치를 수정하는 학습 과정.
|
|
|
|
---
|
|
|
|
* **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
|
|
- **과거 데이터와의 충돌:** 단순한 선형 분류기에서, 범용 함수 근사자(Universal Function Approximator)로서의 지위를 확보하며 모든 현대 AI 기술의 뿌리가 됨.
|
|
- **정책 변화:** Antigravity 프로젝트는 신경망의 기본 원리를 바탕으로 하되, 데이터 효율성을 위해 상위 수준의 인지 프레임워크와 결합하여 사용함.
|
|
|
|
---
|
|
|
|
- **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
|
|
- [[Deep-Learning|Deep-Learning]], Artificial-Neural-Networks, [[Gradient-Descent|Gradient-Descent]], [[Backpropagation|Backpropagation]]
|
|
- **Raw Source:** 10_Wiki/Topics/AI/Neural-Networks (신경망 기초).md
|
|
|
|
---
|
|
|
|
- **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*
|