AKA 가중치

기계학습,machine_learning에서 학습,learning이란 바로 신경망,neural_network(ANN)의 weights를 조절하는 과정.

Sub:
가중평균,weighted_mean =가중평균,weighted_mean =,weighted_mean 가중평균 weighted_mean (... or 가중평균,weighted_average)
{
TBW - 그냥 평균과 가중평균을 수식으로 비교해서 적을 것

weighted_mean ?

가중평균 ?

가중평균

////현재 평균,mean,average에도 내용 있음. TOMERGE
가중평균 (← 가중평균의 넓은 의미)

가중산술평균,weighted_arithmetic_mean (← 가중평균의 좁은 의미) ///QQQ 이게 = weighted_average ??? https://everything2.com/title/weighted average

질량중심 무게중심 center_of_mass mass_center weight_center 이 이것의 일종? chk

Weighted_arithmetic_mean
cf. 산술평균,arithmetic_mean

가중조화평균,weighted_harmonic_mean

Weighted_harmonic_mean
cf. 조화평균,harmonic_mean

가중기하평균,weighted_geometric_mean

Weighted_geometric_mean
cf. 기하평균,geometric_mean

//이상 세가지 모두 여기에 설명 있음
[https]

수학백과: 가중산술평균

https://proofwiki.org/wiki/Definition:Weighted_Mean
}

가중합,weighted_sum - 합,sum

{
이것의 특수한 경우가 평균,average? chk ..거의 확실한데

이것의 계산 방식은 벡터,vector의 내적,inner_product/스칼라곱,scalar_product,dot_product과 rel. 왜인지는 너무 명백하므로 생략. - 잠깐 써보면
{
전체 합이 1이 되는 벡터(이름이 있을텐데 뭐라고 하지? 암튼 전체가 하나,one. rel: 단위,unit, 정규화,normalization.) .. 예를 들어 $\displaystyle [0.6 \; 0.4]$ 와 내적을 하는 것은 전자에 60%, 후자에 40%의 가중치를 ...tbw
}
Ex.

$\displaystyle \vec{w}=[w_1\;w_2\;w_3]$
$\displaystyle \vec{v}=[v_1\;v_2\;v_3]$
$\displaystyle \vec{w}\cdot\vec{v}=w_1v_1+w_2v_2+w_3v_3=\vec{v}\cdot\vec{w}$

이 때, 다음과 같이 (합하기 / 일정 원소만 뽑아내기 / 노름 구하기)가 가능하다.

$\displaystyle \bullet\;\vec{w}=\mathbb{1}$ (일벡터) 일 때, $\displaystyle \vec{w}\cdot\vec{v}$ 는 $\displaystyle \vec{v}$ 벡터의 원소들의 합
$\displaystyle \bullet\;\vec{w}=\vec{e_i}$ 일 때, $\displaystyle \vec{e_2}\cdot\vec{v}$ 는 $\displaystyle \vec{v_2}$
$\displaystyle \bullet\;\vec{w}=\vec{v}$ 일 때, $\displaystyle \vec{v}\cdot\vec{v}=||\vec{v}||^2$

....
가중값,weight 합,sum
}

해밍_가중값,Hamming_weight
weight_initialization

가중치.초기화

weight.initialization

그래프,graph or 네트워크,network can be 'unweighted or weighted'.

weighted_graph weighted_network : link(edge)별로 그에 해당하는 weight를 갖는다.[1]
그럼 unweighted_graph unweighted_network : weight가 없음? or 1로 고정? QQQ

최단경로,shortest_path를 찾는 최단경로문제,shortest_path_problem에서
edge_weight - ,edge의 weight
path_weight - 경로,path에 속하는 모든 간선(edge)의 값을 더한 값

weight는 신경망,neural_network/퍼셉트론,perceptron의 경우 '연결세기'로도 번역.

tmp; (뉴런,neuron/NN/etc.에서)
via http://sanghyukchun.github.io/74/
{
문단 "Model of Neural Network:"
신경망,neural_network에선, 뉴런,neuron들이 node이고, 그 neuron들을 연결하는 시냅스,synapse가 edge이다. Edge마다 weight가 있게 된다.

위치 "다시 일반적인 neural network에 대해 생각해보자"
rel. ,bias 와의 관계 설명 - 활성화함수의 식에서 같이 나타남.
활성화,activation(다음 뉴런,neuron에 뭔가를 전달을 "할지 말지"? boolean_function? threshold가 있고 그에 따라 activate or dectivate? chk)조건을 표현하는 활성화함수,activation_function 설명에서, 일단 편의상

$\displaystyle t=\sum_i w_i x_i$

라고 정의. (물론 $\displaystyle w_i$ 가 weight) 일반적으로는 weight뿐만 아니라 bias도 고려해야 한다. 그 때 식은

$\displaystyle t=\sum_i(w_i x_i+b_i)$

그리고 activation fn 예를 조금 들면 ('활성화함수'에 wrote, del ok)

시그모이드함수,sigmoid_function
$\displaystyle f(t)=\frac1{1+e^{-t}}$
tanh_function (is-a 쌍곡선함수,hyperbolic_function)
$\displaystyle f(t)=\frac{e^t-e^{-t}}{e^t+e^{-t}}$
절대값함수,absolute_value_function? absolute_function? - curr at 절대값,absolute_value#s-1
$\displaystyle f(t)=\left\| t \right\|$
ReLU_function - curr at 함수,function#s-15
$\displaystyle f(t)=\operatorname{max}(0,t)$