챕터 1 정리
📌 챕터 1에서 배운 것
- 퍼셉트론 — 가중치, 편향, 활성화 함수 — 신경망의 기본 단위
- 활성화 함수: step, sigmoid, ReLU — 비선형성이 핵심
- 코드 5줄로 AND, OR 게이트 구현
- XOR — 한 뉴런으로 못 푸는 문제 (1969 AI 겨울)
- MLP (다층 퍼셉트론) — 뉴런을 층으로 쌓으면 XOR 풀림
- Universal Approximation Theorem — MLP는 어떤 함수든 근사 가능
- 학습 = 손실 함수 최소화 + 경사 하강 + 역전파
🏆 우리가 본 것
한 뉴런 코드 5줄 → MLP 2줄 → 어떤 함수든 근사 가능. 이게 신경망의 본질.
알파고의 정책망, 가치망도 같은 패턴. 다만 입력이 바둑 보드, 출력이 다음 수 확률 또는 승률. 차이는 데이터와 구조 — 핵심 알고리즘은 똑같음.
➡️ 다음 챕터에서는
CNN (Convolutional Neural Network). 이미지에 특화된 신경망 구조. 바둑 보드도 19x19 이미지로 볼 수 있어 — CNN이 알파고의 핵심.
한 픽셀과 그 주변의 관계를 학습하는 합성곱(convolution) 연산. 이미지 분류, 음성 인식, 그리고 바둑까지 — 같은 구조.