FedTensor

인공신경망(ANN)과 뇌 신경망(Biological Neural Network)은 모두 입력을 받아 처리한 후 출력을 내보내는 정보 처리 시스템이라는 점에서 유사하지만, 그 작동 방식과 특성에는 근본적인 차이가 있습니다. 두 신경망을 입출력(I/O) 관점과 뇌의 주요 특성(되먹임, 분산 처리, 신경가소성)을 중심으로 비교 설명합니다.1. 인공신경망 (ANN)의 입출력인공신경망(특히 보편적인 피드포워드 네트워크, FNN)의 입출력은 비교적 명확하고 정적입니다.입력 (Input):데이터가 정형화된 숫자 벡터(Vector) 또는 텐서(Tensor) 형태로 주어집니다. (예: 이미지의 픽셀 값, 문장의 단어 임베딩 값) 입력 데이터는 입력층(Input Layer)의 모든 노드에 동시에 전달됩니다.처리 (Proc..

로지스틱 회귀 모델에서 독립 변수($x$)의 값이 1 증가할 때 증가 전후의 오즈(Odds) 값의 비율, 즉 오즈비(Odds Ratio)는 $x$의 계수를 지수로 취한 값($e^\text{계수}$)이다.왜 $e^{\text{계수}}$가 오즈비인가?설명을 위해 로지스틱 회귀의 기본 식에서 시작하겠습니다. (독립 변수가 $x$ 하나라고 가정) 1. 로지스틱 회귀의 기본 식 (로짓 변환) 로지스틱 회귀는 '성공' 확률 $p$가 아니라, '성공'의 로그-오즈(Log-Odds)를 $x$에 대한 선형식으로 모델링합니다.$$log(Odds) = log\left(\frac{p}{1-p}\right) = \beta_0 + \beta_1x$$$\beta_0$: 절편 ($x=0$일 때의 로그-오즈)$\beta_1$: $x..

logistic과 logit은 통계학에서 밀접하게 연결되어 있지만, 어원적으로는 서로 다른 시기에 다른 인물에 의해 만들어졌습니다. logit이 logistic에서 파생되었습니다.1. Logistic (로지스틱)logistic이라는 단어가 통계학의 S자형 곡선(로지스틱 함수)을 지칭하게 된 것은 logit보다 약 100년 정도 빠릅니다.창시자: 벨기에의 수학자 피에르 프랑수아 베르훌스트 (Pierre François Verhulst)시기: 1830년대 ~ 1840년대 어원: 베르훌스트는 인구 증가 모델을 설명하기 위해 이 S자형 곡선을 "로지스틱 곡선(logistic curve)"이라고 명명했습니다.그가 왜 이 이름을 선택했는지는 명확히 밝히지 않았지만, 가장 유력한 어원은 그리스어 logistikos(..

베르훌스트(Verhulst)의 인구 증가 모델은 로지스틱 곡선(Logistic Curve)으로 알려진, 현실적인 인구 성장 패턴을 설명하는 핵심적인 수학 모델입니다. 1838년 벨기에의 수학자 피에르 프랑수아 베르훌스트가 제안했습니다. 이 모델이 중요한 이유는, 자원이 무한하다고 가정한 '지수 성장 모델'의 한계를 보완하고 '환경 수용력'이라는 현실적인 제약 조건을 도입했기 때문입니다.1. 지수 성장 vs. 로지스틱 성장 이해를 돕기 위해 먼저 간단한 지수 성장(Exponential Growth) 모델과 비교해 보겠습니다.지수 성장 모델 (J-자형 곡선):가정: 자원(먹이, 공간 등)이 무한하다. 특징: 인구가 많을수록 성장 속도도 비례해서 계속 빨라집니다. 문제점: 현실에서는 자원이 한정되어 있어 무한..