LEARN · SIMULATE · VERIFY
확률부터 LLM까지, 원리부터 제대로 배우는 자기주도 학습 플랫폼
학습이 끝난 신경망 속에는 진짜 숫자들이 흐르고 있습니다
이 페이지에서 배우고 나면
- 실제 붓꽃 데이터 150송이로 신경망을 학습시키고 학습/테스트 정확도를 실측으로 확인할 수 있습니다.
- 학습 중 연결선 굵기(실제 가중치)가 변하는 것을 관찰하며 "학습 = 가중치 갱신"임을 설명할 수 있습니다.
- 샘플 한 송이가 입력층에서 출력층(softmax 확률)까지 변환되는 순전파를 단계별로 추적할 수 있습니다.
예측 먼저 — 실험 전에 답을 정해 보세요
정답을 몰라도 괜찮습니다 — 먼저 예측을 정해야 시뮬레이션 결과가 기억에 남습니다. 예측을 고른 뒤 아래 시뮬레이션으로 직접 확인하고, 그다음 결과를 열어 보세요.
1. 학습을 시작하기 전, 무작위 가중치 상태의 신경망이 붓꽃(Iris) 3종을 분류하면 정확도는?
2. 에폭을 아주 많이 늘려 훈련 정확도가 100%에 도달하면, 처음 보는 데이터에 대한 성능도 100%일까요?
신경망 구조 설정
4 뉴런 (고정)
꽃받침 길이·폭, 꽃잎 길이·폭 (표준화 값)3 뉴런 (고정, softmax)
신경망 구조 시각화
사용 가이드
학습 시작: 붓꽃 학습 데이터 105송이로 실제 역전파 학습을 수행합니다. 에폭마다 실측 정확도·손실이 갱신되고, 연결선이 학습된 가중치로 변해가는 것을 볼 수 있습니다.
순전파 시각화: 테스트 데이터(45송이) 중 한 송이를 골라 실제 활성값이 입력층에서 출력층으로 전파되는 과정을 보여줍니다. 학습 전에 실행하면 무작위 가중치의 엉터리 예측을, 학습 후에는 달라진 예측을 확인할 수 있습니다.
시각화 범례:
실측 요약 — 이 실습이 보여주는 것
실제 붓꽃(Iris) 150송이 실측 데이터를 시드 고정 70/30으로 나눠(학습 105/테스트 45), 4-8-6-3 구조(기본값)의 MLP가 브라우저에서 60에폭 실제 학습되는 실험입니다. 화면의 뉴런 숫자는 실제 활성값, 연결선 색·굵기는 실제 가중치의 부호·크기이며, 순전파 시각화로 한 송이가 층을 지나 softmax 품종 확률로 변하는 과정을 단계별로 추적합니다.
- 기본 구조 4-8-6-3의 학습 파라미터는 가중치+편향 = 40 + 54 + 21 = 115개 — 화면의 모든 연결선이 이 실제 가중치를 표시하며(초록 양수/빨강 음수), 학습 중 5에폭마다 선의 굵기가 갱신되는 것이 곧 "학습 = 가중치 갱신"의 시각화다
- 학습 전 무작위 가중치의 정확도는 3클래스 찍기 수준(약 33%)에서 출발한다 — 역전파 학습(학습률 0.05, 배치 16)이 진행되면 테스트 정확도가 전형적으로 90%대까지 오르지만, 초기 가중치가 실행마다 무작위라 최종 수치는 매번 조금씩 다르다
- 테스트 45송이의 구성은 시드 고정 분할 덕분에 항상 Setosa 15·Versicolor 13·Virginica 17로 동일하다 — Setosa는 꽃잎 길이 최대 1.9cm vs 나머지 품종 최소 3.0cm로 선형 분리 가능해 먼저 정복되고, 겹침이 있는 Versicolor/Virginica 경계가 남은 난이도를 결정한다
바로잡는 오개념: "신경망은 구조 자체가 똑똑해서 학습 전에도 잘 맞힌다"는 착각 — 무작위 가중치의 신경망은 3지선다 찍기(약 33%)일 뿐이다. 지식은 구조가 아니라 역전파가 가중치에 새기는 것이며, 훈련 정확도 100%가 새 데이터 100%를 뜻하지도 않는다.
AI 튜터에게 물어보기
— 정답 대신 힌트로 유도합니다. 지금 화면의 실험 상태를 알고 답해요.
예: “방금 결과가 이론과 다른데 왜죠?”, “이 값을 올렸는데 왜 반대로 변하죠?”
직접 해보기 — 실습 과제
- 기본 구조로 학습시켜 테스트 정확도를 기록한 뒤, 은닉층 뉴런 수를 바꿔 재학습하고 정확도 변화를 비교해 보세요.
- 활성화 함수를 ReLU에서 Sigmoid로 바꿔 학습시키고, 최종 손실과 테스트 정확도의 차이를 확인해 보세요.
- 학습 완료 후 순전파를 실행해 샘플 한 송이의 품종별 확률 3개를 읽고, 예측 품종과 실제 품종이 일치하는지 확인해 보세요 — 학습 전에 순전파를 먼저 해보면 무작위 가중치의 엉터리 예측과 비교할 수 있습니다.