Autoencoders는 데이터에서 의미있는 기능을 추출하기 위해 감독되지 않은 학습에 사용되는 신경 네트워크입니다. 그들은 라벨 데이터없이 차원 및 캡처 필수 패턴을 줄이는 데 효과적입니다. 이 문서는 기능 추출을위한 autoencoders를 구축하는 방법을 설명합니다.

Autoencoders에 대한 이해

오토엔코더는 인코더와 디코더로 구성되어 있습니다. 엔코더는 입력 데이터를 더 낮은 차원 표현으로 압축하여, 그 후반 공간이라고 합니다. 디코더는 이 압축 형태로 원래 데이터를 재구성합니다. 목표는 입력과 출력의 차이를 최소화하는 것입니다.

Autoencoder 구축

오토엔코더를 구축하려면 입력, 숨겨진, 출력 레이어와 아키텍처를 정의합니다. 인코더는 데이터 크기를 감소시키고, 디코더는 원래 입력을 재구성하려고 시도합니다. ReLU 또는 Sigmoid와 같은 활성화 기능을 사용하여 비선형성을 도입하십시오.

데이터셋을 사용하여 오토엔코더를 훈련하고, 제곱 오류와 같은 손실 기능을 최적화합니다. 일단 훈련되면, 인코더 부분은 다양한 기계 학습 작업에 적용 할 수있는 새로운 데이터에서 기능을 추출하는 데 사용될 수 있습니다.

Autoencoders의 응용

Autoencoders는 다음과 같은 여러 지역에서 사용됩니다.

  • 차원 감소
  • Anomaly 탐지
  • 데이터 denoising
  • 분류를 위한 기능 적출