1 |
1
원시 데이터로부터 제1 입력 데이터 및 제2 입력 데이터 획득하되, 상기 제1 입력 데이터 및 상기 제2 입력 데이터는 서로 상이한 형태의 데이터인 데이터 처리부;상기 제1 입력 데이터 및 상기 제2 입력 데이터 양자를 이용하여 학습을 수행하여 제1 출력 데이터를 획득하는 제1 학습부;상기 원시 데이터를 이용하여 학습을 수행하여 제2 출력 데이터를 획득하는 제2 학습부; 및상기 제1 출력 데이터 및 상기 제2 출력 데이터를 이용하여 학습을 수행하는 조합부;를 더 포함하는 학습 장치
|
2 |
2
제1항에 있어서,상기 원시 데이터는, 상기 제2 입력 데이터에 대응하는 명목형 데이터를 포함하는 학습 장치
|
3 |
3
제2항에 있어서,상기 원시 데이터는, 상기 제1 입력 데이터에 대응하는 수치형 데이터를 더 포함하는 학습 장치
|
4 |
4
제3항에 있어서,상기 데이터처리부는, 상기 명목형 데이터를 미리 정의된 크기의 노드로 변환함으로써 상기 제2 입력 데이터를 획득하는 학습 장치
|
5 |
5
제1항에 있어서,상기 제1 학습부는,상기 제1 입력 데이터 및 상기 제2 입력 데이터를 이용하여 학습을 수행하는 전체 데이터 학습부; 및상기 제2 입력 데이터만을 이용하여 학습을 수행하는 일부 데이터 학습부;를 포함하는 학습 장치
|
6 |
6
제1항에 있어서,상기 조합부와 연결되고 이미 학습된 모델의 정보를 기반으로 학습을 더 수행하는 전이 학습부;를 더 포함하는 학습 장치
|
7 |
7
제1항에 있어서,상기 제1 학습부, 제2 학습부 및 조합부 중 적어도 하나는,심층 신경망(DNN), 콘볼루션 신경망(CNN), 순환 신경망(RNN), 콘볼루션 순환 신경망(CRNN), 다층 퍼셉트론(MLN), 심층 신뢰 신경망(DBN) 및 심층 Q-네트워크(Deep Q-Networks) 중 적어도 하나를 기반으로 상기 학습을 수행하는 학습 장치
|
8 |
8
원시 데이터로부터 제1 입력 데이터 및 제2 입력 데이터 획득하되, 상기 제1 입력 데이터 및 상기 제2 입력 데이터는 서로 상이한 형태의 데이터인 단계;상기 제1 입력 데이터 및 상기 제2 입력 데이터 양자를 이용하여 학습을 수행하여 제1 출력 데이터를 획득하는 단계;상기 원시 데이터를 이용하여 학습을 수행하여 제2 출력 데이터를 획득하는 단계; 및상기 제1 출력 데이터 및 상기 제2 출력 데이터를 이용하여 학습을 수행하는 단계;를 더 포함하는 학습 방법
|
9 |
9
제8항에 있어서,상기 원시 데이터는, 상기 제2 입력 데이터에 대응하는 명목형 데이터 및 상기 제1 입력 데이터에 대응하는 수치형 데이터를 포함하는 학습 방법
|
10 |
10
제9항에 있어서,상기 원시 데이터로부터 제1 입력 데이터 및 제2 입력 데이터 획득하는 단계는, 상기 명목형 데이터를 미리 정의된 크기의 노드로 변환함으로써 상기 제2 입력 데이터를 획득하는 단계;를 포함하는 학습 방법
|
11 |
11
제8항에 있어서,상기 제1 입력 데이터 및 상기 제2 입력 데이터 양자를 이용하여 학습을 수행하여 제1 출력 데이터를 획득하는 단계는,상기 제1 입력 데이터 및 상기 제2 입력 데이터를 이용하여 학습을 수행하는 단계; 및상기 제2 입력 데이터만을 이용하여 학습을 수행하는 단계; 중 적어도 하나를 포함하는 학습 방법
|
12 |
12
제8항에 있어서,이미 학습된 모델의 정보를 기반으로 학습을 더 수행하는 단계;를 더 포함하는 학습 방법
|
13 |
13
제8항에 있어서,상기 학습을 수행하는 것은, 심층 신경망(DNN), 콘볼루션 신경망(CNN), 순환 신경망(RNN), 콘볼루션 순환 신경망(CRNN), 다층 퍼셉트론(MLN), 심층 신뢰 신경망(DBN) 및 심층 Q-네트워크(Deep Q-Networks) 중 적어도 하나를 기반으로 상기 학습을 수행하는 것을 포함하는 학습 방법
|