기초 이론1957
퍼셉트론 (Perceptron)
프랭크 로젠블랫이 최초의 인공 신경망 모델을 제안
퍼셉트론 구조: 입력에 가중치를 곱하고 합산 후 활성화 함수를 통과 (Wikimedia Commons, CC BY-SA)
퍼셉트론은 입력값에 가중치를 곱하고 합산한 뒤 활성화 함수를 통과시키는 가장 단순한 신경망입니다. 단일 퍼셉트론은 선형 분리 가능한 문제만 풀 수 있지만, 이후 다층 퍼셉트론(MLP)의 기초가 되었습니다.
핵심 수식
퍼셉트론 출력
y=출력값 (0~1 사이 예측 결과)
x₁, x₂=입력 신호 (0 또는 1)
w₁, w₂=가중치 — 각 입력이 결과에 얼마나 중요한지
b=편향(bias) — 뉴런의 활성화 임계값
σ=시그모이드 — 합산 결과를 0~1로 압축하는 함수
결정 경계
= 0=이 직선 위의 점들은 출력이 정확히 0.5 (판단 불가 경계)
w₁, w₂=직선의 기울기를 결정
b=직선의 위치(상하 이동)를 결정
핵심 개념
가중치(Weight)
입력 신호의 중요도를 결정하는 매개변수
활성화 함수
가중합이 임계값을 넘으면 1, 아니면 0을 출력
선형 분리
하나의 직선으로 두 클래스를 나눌 수 있는 문제
주요 인물
프
프랭크 로젠블랫
퍼셉트론 발명 (1957, 코넬 항공 연구소)
마
마빈 민스키
퍼셉트론의 한계(XOR 문제) 증명 → AI 겨울 촉발
영향 & 의의
인공 신경망의 출발점. XOR 한계가 밝혀지며 1차 AI 겨울이 시작되었으나, 이후 다층 구조로 극복되어 딥러닝의 씨앗이 되었습니다.
용어집
MLPMulti-Layer Perceptron
다층 퍼셉트론. 퍼셉트론을 여러 층으로 쌓아 XOR 등 비선형 문제를 해결하는 구조
활성화 함수Activation Function
뉴런의 출력을 변환하는 함수. 스텝, 시그모이드, ReLU 등이 있으며 비선형성을 부여
가중치Weight
입력 신호의 중요도. 학습을 통해 자동으로 조정되는 파라미터
편향Bias
뉴런의 활성화 임계값을 조절하는 값. 결정 경계의 위치를 이동시킴
선형 분리Linear Separability
데이터를 직선(또는 초평면) 하나로 두 그룹으로 나눌 수 있는 성질