GeoGebra 로 설명하는 Gradient Descent Method
저자
발행기관
학술지명
권호사항
발행연도
2021
작성언어
Korean
주제어
KDC
550
자료형태
학술저널
발행기관 URL
수록면
185-185(1쪽)
제공처
딥러닝 교육에 대한 다양한 온라인 매체 중 스탠포드대학의 Andrew Un 교수가 온라인 강의플랫폼인 Coursera를 통해 제공하는 딥러닝 강의는 잘 구성되어 있음은 물론이고 쉽고 실용적이어서 많은 타 전공 학생과 기업들이 입문용 강의로 활용하고 있다. 해당 강의를 듣기 위해 필요한 수학 지식 중 비용 함수 최적화(cost function optimization)에서 마주치게 되는 Gradient 개념은 다변수 미적분(multi-variate calculus)에 포함된 내용으로 해당 과목을 수강하지 않은 학습자에게 다소 어려울 수 있으며 전술한 강의에서도 단변수 함수에 대해서는 개념을 설명하지만 다변수 함수에 대해서는 수식만 제공하여 단순히 활용하도록 한다. 하지만 Gradient 개념에 대한 제대로 된 이해와 그 문제점에 대한 고찰이 없으면 Gradient Descent Method에 기초한 다양한 최적화 방법들(GDM, RMSprop, Adam 등)의 필요성과 이해도 어려울 수밖에 없다.
여기에서는 이(2)변수 함수(시각화를 위해)에 대한 Gradient Descent Method를 GeoGebra(무료 수학 소프트웨어)를 이용해 도식적으로 설명함으로써 직관적인 이해가 가능하도록 하였다. 딥러닝을 포함한 다양한 머신 러닝 분야에서 중요한 자리를 차지하고 있는 Gradient의 개념과 최적화에서 Gradient Descent Method의 한계를 이해함으로써 개선된 최적화 방법들을 더 깊이 이해하고 활용하는데 도움이 될 것으로 기대한다.
When non-majors learn deep learning, various online contents are available. In particular, deep learning lectures provided by Professor Andrew Un of Stanford University through Coursera, an online lecture platform, are well-structured, easy and practical. The mathematical knowledge required to understand the cost function optimization is the concept of gradient from the multi-variate calculus, which is not easily understood by learners who have not taken the subject, and in the above lecture by Andrew Un, the concept is explained for single variable function only, and for multivariate functions, the formulas are provided. However, without a proper understanding of the concept of gradient, the necessity and understanding of various optimization methods based on gradient descent (GDM, RMSprop, Adam, etc.) will be difficult.
Here, GeoGebra (free mathematical software) is used to schematically explain the gradient descent method for a two-variable function for intuitive understanding. It is expected that it will help to understand and utilize modified optimization methods by clearly understanding the concept of gradient of multi-variate functions, which is an important prerequisite knowledge for deep learning, and the limitations of gradient descent.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)