OK 스터디
KO English 한국어 日本語 中文 हिन्दी বাংলা اردو Español Português Français Deutsch Русский العربية Bahasa Indonesia Tiếng Việt ไทย Türkçe

알림을 켜는 방법

이 브라우저 또는 주소에서는 알림을 사용할 수 없습니다. 지원되는 브라우저로 보안 연결된 배움노바 사이트에 접속해 주세요.

알림이 차단되어 있으면 브라우저 설정에서 허용해 주세요.

  1. 주소 표시줄 옆의 사이트 설정 또는 브라우저의 사이트 설정을 열고, 이 사이트의 알림을 허용으로 바꾸세요.
  2. 기기 설정에서 브라우저 알림을 허용하고 방해 금지 또는 집중 모드를 확인하세요.
  3. 배움노바로 돌아와 페이지를 새로고침하세요. 알림이 켜지면 벨은 사라집니다.

iPhone 또는 iPad에서는 배움노바를 홈 화면에 추가하고 거기에서 연 뒤 알림을 허용하세요.

손님

로그인하시면 회원님의 수업 스케줄 정보를 확인할 수 있습니다.

시작하기

한 단계씩 시작하는 영어 수업

단계를 누르면 그 화면으로 가요.

무료 체험

  1. 무료 체험 강사 고르기

    사진에 [무료 체험]이 붙은 강사를 눌러요.

  2. 선물 표시 시간 누르기

    시간표에서 선물 그림이 있는 무료 시간을 눌러요.

  3. 로그인하고 예약하기

    로그인하면 바로 예약돼요. 결제는 없어요.

  4. 카메라 & 마이크 테스트

    수업 전에 카메라와 마이크를 미리 확인해요.

  5. 예약된 수업 확인

    예약한 수업의 시각과 강사를 확인해요.

  6. 수업 입장

    시간이 되면 화상 교실에 들어가요.

  7. 지난 수업 확인

    끝난 수업의 기록을 다시 봐요.

  8. 강사 평가

    수업이 끝나면 강사를 평가해요.

나를 소개

  1. 나의 프로필 사진 등록하기

    사진이 있으면 강사가 나를 알아보기 쉬워요.

  2. 나를 소개 등록하기

    자기소개 게시판에 인사를 남겨요.

수업 듣기

  1. 수업 예약

    마음에 드는 강사의 시간표에서 예약해요.

  2. 페이팔 수업료 결제

    PayPal 로 내면 PayPal 이 확인하는 즉시 수업이 예약돼요.

  3. 예약된 수업 확인

    예약한 수업의 시각과 강사를 확인해요.

  4. 수업 입장

    시간이 되면 화상 교실에 들어가요.

  5. 지난 수업 확인

    끝난 수업의 기록을 다시 봐요.

  6. 강사 평가

    수업이 끝나면 강사를 평가해요.

예시를 보고 스스로 고치는 인공지능 만들기

틀릴 때마다 를 스스로 고치는 작은 을 파일 하나로 만들어요. 이 화면에서 바로 실행해 w가 0에서 2로 바뀌는 것을 확인해 보세요.

배울 데이터

이번 이 배울 는 다음과 같습니다.

입력정답
12
24
36
48

우리 눈에는 "입력의 두 배"라는 규칙이 보입니다. 도 이 데이터를 이용해서 그 관계를 배우게 하겠습니다. 학습이 끝나면 학습에 사용하지 않은 5와 7을 넣어 예측을 확인합니다.

계산의 틀 — 모델

먼저 프로그램에 다음과 같은 계산의 틀, 즉 모델을 정해 줍니다.

예측값 = 입력 × w

w 는 프로그램이 하면서 바꿀 숫자입니다. 이런 값을 (매개변수)라고 하고, 이처럼 입력에 곱하는 값은 라고 부릅니다.

처음에는 w = 0 으로 시작합니다.

입력 3 → 예측 0 → 정답은 6 → 차이가 크다!

학습을 반복하면서 w 가 2에 가까워지면 다음처럼 됩니다.

입력 3 → 예측 약 6 → 정답과 거의 같다!

사람은 계산의 틀과 예시 데이터를 준비하고, 프로그램은 데이터에 맞는 w 를 찾습니다.

코드 — mini_ai.py

아래 를 mini_ai.py 라는 이름으로 저장하세요. 이 화면에서는 [실행]을 누르면 안의 이 바로 돌립니다. 코드를 고쳐서 다시 실행해도 됩니다.

[실행]을 누르면 브라우저 파이썬을 준비합니다. 처음 한 번은 약 12MB 를 받습니다.

# 1. 학습 데이터: (입력, 정답)
data = [(1, 2), (2, 4), (3, 6), (4, 8)]

# 2. 처음에는 규칙을 모르는 상태로 시작합니다.
weight = 0.0
learning_rate = 0.01

# 3. 전체 데이터를 보며 100번 학습합니다.
for step in range(100):
    gradient = 0.0

    for x, answer in data:
        prediction = weight * x       # 현재 가중치로 예측
        error = prediction - answer   # 정답과 얼마나 다른지 계산
        gradient += 2 * error * x     # 수정할 방향과 크기 계산

    # 모든 데이터의 결과를 모아 가중치를 조금 수정합니다.
    weight -= learning_rate * gradient / len(data)

    if step + 1 in [1, 10, 50, 100]:
        print(f"{step + 1}회 학습: w = {weight:.4f}")

# 4. 학습에 사용하지 않은 입력으로 예측합니다.
print(f"입력 5의 예측: {weight * 5:.4f}")
print(f"입력 7의 예측: {weight * 7:.4f}")

실행 결과

[실행]을 누르면 여기에 결과가 나타나요.

내 컴퓨터에서 실행하기

파일을 저장한 폴더에서 다음 명령으로 실행합니다.

python3 mini_ai.py

실행 결과

실제로 실행해 확인한 결과입니다. 숫자는 소수점 넷째 자리까지 표시했습니다.

1회 학습: w = 0.3000
10회 학습: w = 1.6063
50회 학습: w = 1.9994
100회 학습: w = 2.0000
입력 5의 예측: 10.0000
입력 7의 예측: 14.0000

처음에는 0이었던 가중치가 학습을 거쳐 약 2가 되었습니다. 이 가중치를 이용해 새로운 입력의 답을 계산하는 것이 예측, 또는 입니다.

코드에서 이해할 핵심 세 가지

error 얼마나 틀렸는가
예측값에서 정답을 뺀 값입니다. 학습에서는 이 를 제곱한 값들의 평균이 작아지도록 가중치를 조정합니다.
gradient 가중치를 어떻게 바꿔야 하는가
오차를 줄이는 데 필요한 수정 방향과 크기를 계산합니다. 이 방법을 이라고 합니다. 2 * error * x 는 이 모델의 를 해서 얻은 식입니다. 처음에는 미분을 완전히 이해하지 않아도 실험할 수 있습니다.
learning_rate 한 번에 얼마나 바꿀 것인가
여기서는 0.01 입니다. 너무 작으면 학습이 느려지고, 너무 크면 가중치가 크게 흔들리거나 학습에 실패할 수 있습니다.
안개 낀 풀밭 언덕을 등산객이 점선 길을 따라 한 걸음씩 내려가 골짜기의 깃발로 향하고, 구석의 작은 그래프에는 내려가는 곡선이 있다.
경사하강법은 안개 낀 산에서 발밑의 기울기만 느끼며 한 걸음씩 내려가는 것과 같아요. 기울기가 gradient, 한 걸음의 크기가 예요. 구석의 곡선처럼 오차가 한 걸음마다 줄어들어요.

직접 실험해 보기

한 가지씩 바꾸고 다시 실행해 보세요. [불러와 실행]을 누르면 바꾼 코드가 위의 에 들어가고 바로 실행됩니다.

  1. 데이터를 세 배 관계로 바꾸기

    data = [(1, 3), (2, 6), (3, 9), (4, 12)]

    나머지 코드를 그대로 두고 실행하세요. 이번에는 가중치가 약 3으로 학습되는지 확인합니다.

    확인한 결과 보기
    1회 학습: w = 0.4500
    10회 학습: w = 2.4094
    50회 학습: w = 2.9991
    100회 학습: w = 3.0000
    입력 5의 예측: 15.0000
    입력 7의 예측: 21.0000
  2. 학습 횟수를 줄이기

    for step in range(10):

    100번 학습했을 때보다 예측이 얼마나 부정확해지는지 비교합니다.

    확인한 결과 보기
    1회 학습: w = 0.3000
    10회 학습: w = 1.6063
    입력 5의 예측: 8.0313
    입력 7의 예측: 11.2438
  3. 예시에서 완벽한 규칙을 없애 보기

    data = [(1, 2.1), (2, 3.9), (3, 6.2), (4, 7.8)]

    데이터가 조금씩 어긋나도, 전체적으로 잘 맞는 가중치를 찾는지 살펴봅니다.

    확인한 결과 보기
    1회 학습: w = 0.2985
    10회 학습: w = 1.5982
    50회 학습: w = 1.9894
    100회 학습: w = 1.9900
    입력 5의 예측: 9.9500
    입력 7의 예측: 13.9300

다음 과제 — 입력 × w + b

이 모델이 표현할 수 있는 관계는 입력 × w 형태의 비례 관계입니다. 예를 들어 입력 × 2 + 3 을 배우려면 모델을 입력 × w + b 로 확장하고, w 와 b 두 숫자를 학습해야 합니다. b 는 이라고 부릅니다.

위 실험을 이해했다면 먼저 스스로 코드를 고쳐 보고, 막히면 아래 풀이를 열어 보세요.

풀이 코드 보기

는 입력 × 2 + 3 으로 만든 (1, 5), (2, 7), (3, 9), (4, 11) 입니다. 숫자를 두 개 배우므로 학습률을 0.05 로 올리고 1000번 학습합니다.

# 1. 학습 데이터: 입력 × 2 + 3 으로 만든 (입력, 정답)
data = [(1, 5), (2, 7), (3, 9), (4, 11)]

# 2. 가중치 w 와 편향 b 를 모두 0 에서 시작합니다.
weight = 0.0
bias = 0.0
learning_rate = 0.05

# 3. 전체 데이터를 보며 1000번 학습합니다.
for step in range(1000):
    grad_w = 0.0
    grad_b = 0.0

    for x, answer in data:
        prediction = weight * x + bias    # 현재 w 와 b 로 예측
        error = prediction - answer       # 정답과 얼마나 다른지 계산
        grad_w += 2 * error * x           # w 를 바꿀 방향과 크기
        grad_b += 2 * error               # b 를 바꿀 방향과 크기

    # w 와 b 를 함께 조금씩 수정합니다.
    weight -= learning_rate * grad_w / len(data)
    bias -= learning_rate * grad_b / len(data)

    if step + 1 in [1, 10, 100, 500, 1000]:
        print(f"{step + 1}회 학습: w = {weight:.4f}, b = {bias:.4f}")

# 4. 학습에 사용하지 않은 입력으로 예측합니다.
print(f"입력 5의 예측: {weight * 5 + bias:.4f}")
print(f"입력 7의 예측: {weight * 7 + bias:.4f}")
1회 학습: w = 2.2500, b = 0.8000
10회 학습: w = 2.6082, b = 1.2119
100회 학습: w = 2.1565, b = 2.5399
500회 학습: w = 2.0004, b = 2.9989
1000회 학습: w = 2.0000, b = 3.0000
입력 5의 예측: 13.0000
입력 7의 예측: 17.0000

w 는 처음에 2를 넘었다가 b 가 커지면서 2로 돌아오고, 끝에는 w = 2, b = 3 이 됩니다.

예약할 수 있는 시간이 지났습니다

리엔과 음성 대화 언어와 주제를 골라 리엔과 말로 대화해요

리엔은 English · 한국어 · 日本語 · हिन्दी 로 소리 내어 말해요. 다른 언어는 글로 답해요.

리엔과 음성 대화는 회원만 할 수 있어요. 먼저 회원 가입을 해 주세요.