COURSE
4
PROGRESS
14 / 14
단원 데이터 구조화: AI 전처리 17 데이터의 규칙: 예측 로직 14 옷의 시너스: 판단 로직 1 예와 아니오: 판단 로직 6 닮은꼴 찾기: 관계 로직 7 최적의 경로: 강화 로직 7 층층이 지능: 신경망 로직 7 전체 목록
이전 문제

경사하강법과 학습률 적용

40 P
QUESTION 14 #341
가중치를 업데이트하는 경사하강법의 원리를 함수로 구현해 보았습니다. 빈칸에 적절한 변수와 메서드를 채워넣으세요.
main.py 
def update_weight(current_w, gradient, learning_rate):
    # 새로운 가중치는 현재 가중치에서 (기울기 * 학습률)을 뺀 값입니다.
    new_w = current_w - (gradient * )
    return new_w

# 현재 가중치 10, 기울기 2, 학습률 0.1일 때
updated_w = update_weight(10, 2, 0.1)
print(f"업데이트된 가중치: {updated_w}")
# 이 과정을 반복하는 알고리즘을  이라고 합니다.
실행 결과 예시 
learning_rate, 경사하강법
INTERACTIVE SHELL Shift + Enter 로 즉시 실행

⛰️ 경사하강법(Gradient Descent)의 핵심

이 퀴즈는 AI가 스스로 똑똑해지는 "방법"을 다룹니다.

  1. Gradient(기울기): 현재 상태에서 어디로 가야 오차가 줄어드는지 방향을 알려줍니다.
  2. Learning Rate(학습률): 그 방향으로 얼마나 멀리 갈지 정합니다.

만약 학습률이 너무 크면 최적점을 지나쳐버리고(오버슈팅), 너무 작으면 학습 속도가 너무 느려집니다. 실무에서는 이 값을 세밀하게 조정하는 것이 성능 향상의 핵심입니다.