퍼셉트론(Perceptron)

마일스톤 학습법으로 단계별 완전 정복

퍼셉트론

선형분류

이진분류

학습알고리즘

AI역사

이 개념 직접 실험하기 — 퍼셉트론 실습

이 학습을 통해 달성할 수 있는 목표

기초 이해

• 퍼셉트론의 기본 구조와 동작 원리 이해
• 간단한 분류 문제를 퍼셉트론으로 해결하기
• 선형 분리 가능성의 개념 파악

심화 학습

• 퍼셉트론 학습 알고리즘의 수학적 원리 이해
• 학습률과 수렴성의 관계 파악
• 퍼셉트론의 한계와 해결 방법 이해

실무 적용

• 퍼셉트론의 역사적 의미와 현대적 관점 이해
• 다양한 실무 응용 사례 분석
• 퍼셉트론에서 발전한 현대 딥러닝 기술과의 연관성 파악

한눈에 보기

퍼셉트론은 1958년 로젠블랫이 제안한 최초의 학습하는 인공뉴런으로, 입력의 가중합이 임계값을 넘으면 1, 아니면 0을 출력하는 이진 분류기다.

가중합(Σwᵢxᵢ + b)을 계단함수에 통과시켜 출력하며, 오분류 시 가중치를 조정하는 퍼셉트론 학습규칙으로 훈련한다.
선형 분리 가능한 문제만 풀 수 있다 — XOR 같은 비선형 문제는 단층 퍼셉트론으로 불가능하다(민스키·페퍼트, 1969).
이 한계가 다층 퍼셉트론과 역전파로 극복되며 현대 신경망의 기초가 됐다.

이 내용은 넘스탯의 퍼셉트론 실습에서 직접 실험으로 확인할 수 있습니다.

학습 로드맵

각 단계를 클릭하면 해당 학습 내용을 볼 수 있습니다

기초 이해

개념 정의와 기본 원리

약 20분

클릭

심화 학습

공식 유도와 다양한 예시

약 30분

클릭

실무 적용

실제 케이스와 고급 응용

약 45분

학습 진도 (완료한 단계)

먼저 알아두면 좋은 개념들

기본 벡터 연산

내적 계산과 벡터의 기본 개념 이해 필요

기초 단계가장 간단한 인공 뉴런의 이해

기초 단계: 가장 간단한 인공 뉴런의 이해

난이도 1/5

약 20분

퍼셉트론은 1957년 프랑크 로젠블라트가 발명한 최초의 인공 뉴런 모델입니다. 여러 입력을 받아 가중치를 곱하고 더한 후, 임계값과 비교하여 0 또는 1을 출력하는 단순한 이진 분류기입니다.

퍼셉트론을 "매우 단순한 의사결정자"로 생각해보세요. 예를 들어, "오늘 우산을 가져갈까?"를 결정하는 상황에서 날씨 예보(비 확률), 구름 양, 바람 세기 등을 각각 다른 중요도로 고려해서 최종 결정을 내리는 것과 같습니다. 각 요소에 점수를 매기고(가중치), 모든 점수를 더해서(가중합) 일정 기준(임계값)을 넘으면 "우산을 가져간다", 그렇지 않으면 "안 가져간다"고 결정합니다. 가중치는 전기 회로의 저항에 빗댈 수도 있습니다(『밑바닥부터 시작하는 딥러닝』의 비유). 저항은 낮을수록 전류를 많이 흘리고 가중치는 클수록 신호를 강하게 흘려보내니 작용 방향은 서로 반대지만, 둘 다 "신호가 얼마나 잘 흐르는가"를 조절하는 다이얼이라는 점에서 같은 역할입니다. 실제로 1958년 최초의 퍼셉트론 기계(Mark I)는 가중치가 진짜 가변저항기(포텐셔미터)였고, 학습이란 전기 모터가 그 저항 다이얼을 조금씩 돌리는 일이었습니다.

입력 x1(빨간색 정도 0.8)과 x2(둥근 정도 0.6)에 각각 가중치 0.7과 0.3을 곱해 더한 가중합 0.74가 계단 함수를 거쳐, 임계값 0.5보다 크므로 최종 출력 1(사과)이 되는 퍼셉트론 구조도

퍼셉트론의 구조 — 과일 분류 예시의 숫자가 입력에서 출력까지 흐르는 과정 (Rosenblatt 1958)

가로축이 가중합, 세로축이 출력인 계단 함수 그래프. 가중합이 임계값 0.5 미만이면 0(오렌지), 이상이면 1(사과)을 출력한다. 예시의 가중합 0.74에 점이 찍혀 있고, 0.74는 사과일 확률 74%가 아니라 임계값을 넘었으므로 출력 1이라는 주석이 달려 있다

계단 함수 — 가중합 0.74는 "사과일 확률 74%"가 아니라, 임계값 0.5를 넘었으므로 출력 1이 된다

핵심 포인트

•가중합 계산: 각 입력에 가중치를 곱하고 모두 더함
•임계값 비교: 계산된 값이 임계값보다 크면 1, 작으면 0 출력
•선형 분리: 직선(2D) 또는 평면(고차원)으로 나눌 수 있는 문제만 해결
•단층 구조: 입력층과 출력층만 있는 가장 간단한 신경망

간단한 예시

과일 분류 예시 (사과 vs 오렌지): • 입력1: 빨간색 정도 (0~1) • 입력2: 둥근 정도 (0~1) • 가중치1: 0.7 (빨간색이 중요) • 가중치2: 0.3 (모양은 덜 중요) • 임계값: 0.5 계산: 0.8×0.7 + 0.6×0.3 = 0.74 > 0.5 → "사과" 아래의 Python 코드로 이 계산과 학습 과정을 브라우저에서 직접 실행해볼 수 있습니다.

Python으로 직접 실행해보기

아래 코드는 브라우저에서 바로 실행됩니다. 숫자를 바꿔가며 결과를 눈으로 확인해 보세요.

퍼셉트론 만들기 — 과일 분류와 학습 규칙

본문의 과일 분류 예시를 그대로 코드로 옮기고, 학습 규칙으로 가중치를 스스로 찾게 해봅니다. 숫자를 바꿔가며 실행해 보세요.

# 퍼셉트론으로 과일 분류하기 (사과 = 1, 오렌지 = 0)
# 입력: 빨간색 정도, 둥근 정도 (모두 0~1 사이)

def perceptron(x1, x2, w1, w2, threshold):
    weighted_sum = x1 * w1 + x2 * w2   # 1) 가중합 계산
    if weighted_sum >= threshold:      # 2) 임계값과 비교
        return 1                       #    넘으면 사과
    return 0                           #    못 넘으면 오렌지

# ── 1단계: 본문 예시 그대로 확인 ──────────────────────
w1, w2, threshold = 0.7, 0.3, 0.5
x1, x2 = 0.8, 0.6
print("가중합:", x1 * w1 + x2 * w2)                      # 0.74
print("예측:", perceptron(x1, x2, w1, w2, threshold), "(1 = 사과)")
print()

# ── 2단계: 학습 규칙으로 가중치를 '스스로' 찾게 하기 ──
# w(새로운) = w(기존) + 학습률 * (정답 - 예측) * 입력
fruits = [  # (빨간색 정도, 둥근 정도, 정답)  1 = 사과, 0 = 오렌지
    (0.8, 0.6, 1), (0.9, 0.7, 1), (0.7, 0.9, 1),
    (0.3, 0.4, 0), (0.2, 0.5, 0), (0.4, 0.2, 0),
]

w1, w2 = 0.0, 0.0   # 아무것도 모르는 상태에서 시작
eta = 0.1           # 학습률: 한 번 틀릴 때마다 고치는 정도

for epoch in range(1, 11):
    errors = 0
    for x1, x2, t in fruits:
        y = perceptron(x1, x2, w1, w2, threshold)
        if y != t:                          # 틀렸을 때만
            w1 = w1 + eta * (t - y) * x1    # 가중치 수정
            w2 = w2 + eta * (t - y) * x2
            errors += 1
    print(f"{epoch}번째 반복: 틀린 개수 {errors}개, w1={w1:.2f}, w2={w2:.2f}")
    if errors == 0:
        print("모든 과일을 맞혔습니다. 학습 완료!")
        break

첫 실행 시 파이썬 런타임을 내려받습니다 (수 초 소요)

코드 설명: 2단계에서 가중치가 0에서 시작해도 "틀리면 그 샘플 방향으로 수정"을 반복하면 몇 번의 반복 만에 모든 과일을 맞히는 가중치를 스스로 찾아냅니다. 이것이 Novikoff(1962) 수렴 정리가 보장하는 내용입니다. 학습률(eta)이나 과일 데이터를 바꿔서 반복 횟수가 어떻게 달라지는지 실험해 보세요.

딥러닝 이론 페이지로 돌아가기