이전 챕터에서는 자구와 자기포화에 대해서 이야기했는데 이번에는 투자율과 자화특성에 대해서 이야기하겠습니다. 

같은 재료의 철심에 같은 기자력을 가하였다 해도 철심의 크기와 형상에 따라 자속의 양이 달라집니다. 예를 들어 같은 턴수에서 철심의 길이를 짧게 만들어 준다면 코일이 조밀해지면서 자속이 커집니다. 즉 철심의 길이에 따라 철심을 자화시키는 힘이 달라지므로 단위길이당 기자력을 정의할 필요가 생깁니다. 이를 H 자계강도라고 하고 자기장의 세기라고도 합니다.

철심 재료가 얼마나 자화가 잘 되는 성질을 지녔는지는 코일의 총 기자력과 총 자속 전체적으로 비교하는 것보다 각각 자구에 가해지는 기자력과 각각의 자구가 어느정도만큼 자화되었는지의 관계로 표현해야합니다. 그래야 철심의 형상에 관계없이 철심이 가진 고유의 자화특성을 알 수 있으니깐요. 그렇기 때문에 H 자계강도와 B 자속 밀도의 관계로 투자율을 정의합니다.  

투자율이 클수록 자화가 쉽게 이루어지며 같은 기자력에서 더 많은 자속을 만들어 냅니다. 빈 공간에서 투자율은 상수로 정해져있습니다. 중요한 숫자라 외워놓는게 좋습니다. 

이를 기준으로 어떤 철심 재료의 투자율이 공기중의 투자율의 몇배인지 나타낸 것을 비투자율이라고 합니다. 즉 

비투자율은 다음과 같이 나타낼 수 있고, 주로 철심의 비투자율은 3000정도로 생각하면 됩니다. 

전에 자기저항과 관련된 식을 보았는데 이제 자계강도를 이용해 자기저항을 다른 방식으로 나타낼 수 있습니다. 

자기저항 즉, reluctunce 식을 정리해보면 위 그림의 오른쪽 처럼 정리가 됩니다. 이는 전기에서 저항이 가지는 관계와 비슷하다는 걸 알 수 있습니다. 즉 전기저항이 굵고 짧은 도체의 저항이 작듯, 굵고 짧은 철심은 자기저항이 작게 됩니다. 

또한 전기에서 저항계산처럼 자기저항 역시 병렬, 직렬 회로로 분석이 가능합니다. 

자화특성곡선은 자계강도와 자속밀도사이의 관계를 그래프로 나타낸 것입니다. 

저번 게시글에서 보여주었던 자속과 기자력 그래프와 매우 유사합니다. 자화특성곡선은 해당 자성재료의 자화특성을 아는데 굉장히 중요합니다. 저 역시 인턴생활때 자화특성곡선을 숱하게 보았습니다. 우수한 자기적 특성이란 선형영역에서 투자율이 크고 최대로 얻을 수 있는 자속밀도, 즉 자기포화에 이르렀을 때의 자속밀도인 포화자속밀도가 큰 것을 말합니다. 자화특성곡선을 통해 해당 자기적특성을 고려해야하고 전기적, 기계적 특징도 고려해야할 요소입니다. 

자화특성곡선은 후에 히스테리시스 곡선부터 여러가지로 전기기기에서 필수적인 요소입니다. 또한 투자율 자계강도를 정확하게 알고 넘어가야 추후 설명에서 어려움이 없을거라 예상됩니다. 다음시간에는 자기회로와 공극, 전자기유도현상을 알아보겠습니다. 

이전 챕터 에서는 자기장과 기자력, 자기저항에 대해서 이야기했는데 이번에는 자기저항과 자화에 대해서 이야기하겠습니다. 

자화가 잘 되는 물질이 있고 그렇지 못한 물질이 있다는 사실을 알고 있습니다. 자기장에 민감하게 반응하는 성질을 가진 물체를 강자성체라고 부르고 흔히 철, 코발트, 니켈등이 있습니다.

더 자세하게 들어가면 강자성 물질의 원자들은 전자의 스핀에서 비롯된 각자의 자기장을 지니고 있습니다. 자기장의 상호작용으로 인근 원자들 사이의 전자스핀 방향을 서로 일치시키려는 힘이 작용하고 이게 점점 확장을 거듭하여 결과적으로 특정 부분의 원자들이 같은 방향의 스핀을 지닌 하나의 집단을 이루게 됩니다. 이런 집단적 동화작용이 여러 구역마다 이뤄지기 때문에 이런 구역을 자기구역 즉 magnetic domain 이라고 하며 자구로 나뉘게 됩니다. 이때, 외부에서 모든 자구에 공통의 자기장이 가해진다면, 강자성체의 자구들이 외부 자기장의 방향으로 나란히 정렬하는 작용이 일어나 전체적으로 같은 자기장이 되고 자석처럼 정렬됩니다. 이를 자화라고 합니다. 

자화시키는 방식은 강자성체에 코일을 감아 전류를 흐르는 방법도 있습니다. 어쨌거나 이와 같은 방식도 자기장을 형성하므로 강자성체가 같은 방향으로 자화됩니다. 강자성체는 마치 자석처럼 되며, 코일이 기존의 갖던 자속보다 훨씬 큰 자속이  형성됨을 알 수 있습니다. 코일에 삽입하는 물체를 자심이라고 하며 보통 철성분이기에 철심이라고 합니다. 

철심을 자석으로 만드는 자화전류는 코일에 흐르는 전류를 뜻합니다. 결과적으로 코일의 조그만 전류가 코일의 자구들을 정렬시켜 자화시키는 것이라고 할 수 있습니다. 

자기포화

철심이 자화되는 정도는 외부 자기장의 세기에 따라 달라집니다. 외부자기장이 강할수록 자구들의 정렬도가 높아지며 자속이 증가하는데 철심안에 있는 자구들이 다 정렬한다고 하면 더이상 자속이 증가하지 않습니다. 이를 포화되었다고 합니다. 그럼 이제 그래프를 보겠습니다. 

철심이 있을 때를 보겠습니다. 철심이 있을 경우

기자력에 비례해서 선형적으로 증가하다 해당 강자성체의 자구들이 전부 자화되면 포화영역에 들어오게 됩니다. 자속의 변화율은 급속도로 줄게 됩니다. 이때, x축이 기자력, y축이 자속이므로 기울기는 자기저항의 역수가 된다는 것을 알 수 있습니다. 기울기 관점에서 보면, 처음에는 자기저항이 작다가 점점 커지는 것을 알 수 있겠네요. 철심이 없을 때를 보자면, 철심이 없는 경우 유의미한 변화가 없습니다. 이는 강자성체를 사용하지 않았기 떄문이겠죠 

코일에 흐를 수 있는 최대 전류는 도체의 단면적에 비례하고 코일의 턴수는 도체의 길이에 비례합니다. 이 말은 결국 코일이 제공할 수 있는 최대기자력은 코일에 사용된 도체의 체적에 비례한다는 뜻입니다. 효율적으로 이용하기 위해서는, 철심을 자기포화 직전까지 자화시켰을 때가 철심의 이용효율이 최대화 됩니다. 이에 대부분의 전기기기는 철심이 경계영역까지 자화되는 범위에서 동작하게 만들어집니다. 

지금까지 기자력 자속 곡선, 자화, 철심, 자구등에 공부했습니다. 모두 습득하고 가야 그 다음 챕터들을 이해할 수 있습니다. 다음 내용에는 투자율과 자화특성곡선 자기회로 공극등에 대해 이야기하겠습니다.

해당 게시글은 전기기계 정승기 교수님의 책을 정리하고, 그동안 배운 내용들을 정리하기 위해 포스팅을 합니다. 개인적으로 1장의 개념을 완벽하게 해야 그 이후로 혼동이 안생깁니다.

1-1. 자기장, 기자력, 자기저항

학창시절 배운 것처럼 자석은 자석 자체로 존재하는 것이 아니라 자석 주변 공간에 자기장이 형성되어 있습니다. 이 자기장을 자기력선으로 나타냅니다. 

나침판을 자기장에 놓으면 그 방향을 나타낸다는 중학교때 실험처럼 자기력선은 N극에 나와 S극에 들어갑니다. 또한 자석 내부에서 폐루프를 이룹니다. 자석이 강할수록 자기력선의 수가 많아지는데 이를 자속 Φ 이라 부르며, Wb(Weber)의 단위를 사용합니다. 나중에는 정말 많은 관계들이 나오는데 이때, 단위를 잘 사용해야합니다. 

자기력선은 자석 근처에서 빽뺵하므로 그곳에서 자기장이 강하고, 자석과 먼 곳에서는 자기장이 약합니다. 따라서 밀도로 이를 표현하는 방식이 필요한데 그것이 자속밀도입니다. 기호는 B 단위는 밀도이므로 Wb/ ㎡  으로 사용하기도 하고 T(Tesla)로도 표현합니다. 교수님들이 항상 이 단위를 이야기할 때마다 추가적인 이야기를 하고 싶어 미소를 짓습니다. 

자기장은 전류에 의해서도 만들어집니다. 도체에 전류가 흐르면 주위에 영구자석 주변에서 오른손법칙에 의해 해당 도선에서 자기장이 형성됩니다. 

이제 전류가 흐르는 이 도선을 구부려 보겠습니다.

위 그림에서 왼쪽이 도선을 구부린 모양이고 이곳에 전류를 흘리면 자기력선이 형성됩니다. 왜 저렇게 형성될까요?
그림을 자세히 보면 코일 각각에 조그맣게 오른손법칙에 의해 자기력선이 형성됩니다. 이 자기력선들을 합쳐보면 큰 자기력선이 저렇게 형성된다고 볼수 잇는 것입니다. 이제 오른쪽을 보면 이와 같이 코일을 여러 감게 되면, 자기력선의 크기가 훨씬 커지게 됩니다. N회 턴을 감았는데 마치 전류가 N배 된 전류가 형성하는 자기력선을 형성하는 것처럼 나타내는 것입니다. 이를 기자력이라고 합니다. 따라서 기자력은 힘의 단위처럼  F (A-t) 로 나타내고, 이는 N*i 라고 할 수있습니다. 

기자력 F와 자속 Φ는 어떤 관계를 가지는데 자기력을 자속으로 나눈 값을 자기저항R 이라고 나타냅니다. 또는 릴럭턴스 라고 나타냅니다.  1Wb의 자속을 만들어내는데 필요한 기자력이라고도 이야기할 수 있습니다. 자기저항이 크면 같은 기자력에서 자속의 양이 줄고, 자기저항이 작으면  작은 기자력으로도 큰 자속이 만들어집니다. 참고로 자기저항의 단위는 H(헨리)의 역수입니다. 

잠깐, 다시 좀 더 쉽게 이야기하자면 자기저항이 작은 곳에서 턴수를 조금만 감거나, 전류를 조금만 흘려도 동일한 자속을 만들 수 있다는 것입니다. 자기저항과 관련된 건 자속의 경로가 지나는 물질인데, 어떤 물질로 이루어져 있는지에 따라 달라집니다. 

지금까지 자기장, 기자력, 자기저항에 대해서 학습했습니다. 다음 게시글에는 자화, 자기포화,철심 등에 대해 포스팅하겠습니다.  푸키였습니다. 

안녕하세요 푸키입니다. 

이번 글에서는  OPIC  공부에 대해 이야기해보겠습니다.

  1월 31일에 오픽을 보고 왔고 IH 등급을 받았습니다. 요즘 IH 받기가 어려워졌다는 말을 듣고 노심초사 했는데 IH 받고 바로 안도의 한숨을 내쉬었습니다. 

오픽은 영어말하기 시험으로 60분 (오리엔테이션 20분 + 본시험 40분) 으로 구성되어 있습니다. 오픽 시험장은 저는 분당센터로 진행했습니다. 가면 직원분이 정말~ 친절하게 해주므로 간단하게 어떻게 진행되는 지만 알면 될 것 같습니다. 

오픽 공부법저같은 경우 오픽 노잼 책을 샀습니다. 

스크립트를 외우는 것이 싫었기 때문에 오픽노잼 책과 영상을 보면서 IH 시리즈를 봤습니다. 사실 영상에 있는 내용이 책에 그대로 있기에 그냥 책 한권 훑어보고 각 파트별로 어떻게 대응하는 지를 준비했습니다. 오픽 파트는 사실 구조화되어 있기에 어떤 곳에서 어떻게 대응할 것인지 미리 정해놓으면 무리가 없을 것 같습니다. 

여우모의고사 라는 유튜브에 들어가서 파트별로 정리한 걸 정리하는 방법으로 연습했습니다.

결과적으로 오픽노잼 이용해서 질문유형화를 정리해서 -> 각 질문마다 어떤 방식으로 대답할 지 생각해놓기 -> 여우모의고사로 대입해보기.  가 제 공부방식이었습니다. 

실전 

솔직히 고백하자면 실전에서 거의 못지켰습니다 ㅎㅎ... 그래도 말하는데 체계적으로 이야기하는 방법에 대해서 익숙해져서 IH 를 받은 것 같습니다. 난이도는 6-6으로 했습니다. 

설문조사 체크에 그냥 사실 준비안하고 갔다가 아무렇게나 체크했는데 그 분야가 제일 어려운 문제로 출제되어서 당황했어요. 예를 들어 저는 합창하기에 체크를 했는데 진짜 합창하기를 물어봐서!! 블러핑으로 교회에서 합창을 했었다 라고 대답을 했어요. 체크하기도 미리 정해놓고 가는 걸 추천합니다.  

제가 기억나는 것으로 괜히 길게 말한다고 주제에서 점점 벗어날바에 짧게 끝내기, 말이 이상하면 그냥 잘못말했다고 하고 다시 말하기, 외운 대본처럼 바로 말하지 말고 조금씩 umm 같은 필터 넣기가 중요한 스킬이었던 것 같습니다. 

푸키였습니다 좋은 하루 되세요! 

마음에 드셨다면 공감 부탁드립니다

안녕하세요 푸키입니다. 오늘은 머신러닝의 배치학습과 온라인 학습에 대해서 이야기하겠습니다. 

글의 흐름

< 머신러닝 >

1. 머신러닝 분류 (1) 회귀와 분류 
2. 머신러닝 분류 (2) 배치학습과 온라인 학습 << 현위치 
3. 머신러닝 분류 (3) 사례 기반과 모델 기반 
4. 데이터 인코딩/ 피처스케일링/ 교차검증
5. 주요 머신러닝 모델 소개 

< 딥러닝 > 

1. 그래프 모델 개념 및 신경망 기본 구조 소개 
2. 전방향 연산, 가중치 초기화, 배치 기반 연산학습. Regularization 기본 개념
3. 신경망에서 학습의 의미, 역전파 기본 개념 및 chain Rule 을 이용한 학습
4. RBM 구축 과정, 수학이론, 구현 연습 
5. CNN 개념  
6. 다양한 딥러닝 모델 소개 

머신러닝 분류 (2) 배치학습과 온라인 학습 

머신러닝 시스템을 분류하는 데 사용하는 다른 기준은 입력 데이터의 스트림으로부터 점진적으로 학습할 수 있는지 여부입니다. 배치 학습과 온라인 학습이 있습니다.

배치 학습이란?

배치학습에서는 시스템이 점진적으로 학습할 수 없습니다. 데이터를 모두 사용해 훈련하기 때문에 오프라인에서 수행되기 때문에 오프라인 학습이라고 합니다. 학습 시스템이 새로운 데이터에 대해 학습하려면 전체 데이터를 사용해서 다시 처음부터 시작해야 합니다. 다행히 전체 과정이 쉽게 자동화 될 수 있어 변화에 적응할 수 있습니다. 따라서 배치 학습은 잘 작동하지만 전체 데이터셋을 사용해 훈련하는 데 몇 시간이 소요될 수 있습니다. 따라서 빠르게 적응해야 한다면 다른 방법이 필요합니다

온라인 학습이란?

온라인 학습에서는 데이터를 순차적으로 한 개씩 또는 미니배치라 부르는 작은 묶음 단위로 주입하여 시스템을 훈련시킵니다. 새로운 데이터 샘플을 학습하면 학습이 끝난 데이터는 더 이상 필요하지 않으므로 버리면 됩니다. 따라서 매우 큰 데이터셋을 학습하는 시스템에도 온라인 학습 알고리즘을 사용할 수 있습니다. 여기서 중요한 건 학습률입니다. 변화하는 데이터에 얼마나 빠르게 적응할 것인지를 학습률이라고 하는데 학습률을 높게 하면 시스템이 데이터에 빠르게 적응하지만 예전 데이터를 금방 잊어버리고 학습률이 낮으면 속도가 느립니다. 온라인 학습에서 가장 큰 문제는 시스템에 나쁜 데이터가 주입될 때 시스템 성능이 점진적으로 감소합니다.

푸키였습니다 좋은 하루 되세요! 

마음에 드셨다면 공감 부탁드립니다. 오류가 있다면 댓글로 알려주세요. 끊임없이 수정하고 있습니다. 

안녕하세요 푸키입니다. 오늘은 머신러닝의 회귀와 분류에 대해서 이야기하겠습니다. 

글의 흐름

< 머신러닝 >

1. 머신러닝 분류(1) 머신러닝 회귀와 분류 << 현위치 
2. 머신러닝 분류(2) 머신러닝 배치학습과 온라인 학습
3. 머신러닝 분류(3) 머신러닝 사례 기반과 모델 기반 
4. 데이터 인코딩/ 피처스케일링/ 교차검증
5. 주요 머신러닝 모델 소개 

< 딥러닝 > 

1. 그래프 모델 개념 및 신경망 기본 구조 소개 
2. 전방향 연산, 가중치 초기화, 배치 기반 연산학습. Regularization 기본 개념
3. 신경망에서 학습의 의미, 역전파 기본 개념 및 chain Rule 을 이용한 학습
4. RBM 구축 과정, 수학이론, 구현 연습 
5. CNN 개념  
6. 다양한 딥러닝 모델 소개 

머신러닝이란?

머신러닝은 인간이 학습을 통해 정확도를 점진적으로 개선하는 방식을 모방하기 위한 데이터와 알고리즘의 사용에 초점을 맞춘 인공지능(AI) 및 컴퓨터 사이언스의 한 분야입니다. 알고리즘을 이용하여 데이터를 분석하고, 분석 결과를 스스로 학습한 후, 이를 기반으로 어떠한 판단이나 예측을 하는 것을 의미합니다

머신러닝은 학습과 개선을 위해 명시적으로 컴퓨터를 프로그래밍하는 대신, 컴퓨터가 데이터를 통해 학습하고 경험을 통해 개선하도록 훈련하는 데 중점을 둡니다. 머신러닝에서 알고리즘은 대규모 데이터 세트에서 패턴과 상관관계를 찾고 분석을 토대로 최적의 의사결정과 예측을 수행하도록 훈련됩니다.  

머신 러닝의 3가지 학습방법 

머신러닝은 크게 세가지로 분류 할 수 있는데 이번 게시물에는
학습하는 동안의 감독 형태나 정보량에 따라 분류하겠습니다. 

이 분류에는 총 3가지 학습방법이 있습니다. (준지도학습까지 4가지라고도 합니다) 

① 지도 학습 (Supervised Learning)
:  정답을 기반으로 오류를 줄여서 학습하는 방법. 지도 학습에는 알고리즘에 주입하는 훈련 데이터에 레이블이라는 원하는 답을 포함합니다. 지도 학습에는 밑에서도 설명하겠지만 분류와 회귀 방법이 있습니다. 
지도 학습은 반복 학습을 통해서 오류를 줄여가면서 점점 더 정답에 가까워지게 됩니다.

② 비지도 학습 (Unsupervised Learning)
: 정답을 모르더라도 유사한 것들과 서로 다른 것들을 구분해서 군집을 만들 수 있는 학습하는 방법.
비지도 학습에는 군집, 시각화와 차원축소 등이 있습니다. 

최근에는 지도 학습과 비지도 학습을 섞어서 데이터에 정답을 유추해 나가는 방법의 기술들도 많이 나오고 있으며, 이를 준지도 학습(Semi-Supervised Learning)이라고 합니다. 군집을 학습한 후에, 군집의 일부 데이터만 사람이 정답을 매겨주면, 그 군집 전체를 사람이 매긴 정답으로 볼 수 있다는 원리입니다.

③ 강화 학습 (Reinforcement Learning)
: 보상과 벌칙과 함께 여러 번의 시행착오를 거쳐 스스로 학습하는 방법. 여기서 학습하는 시스템을 에이전트라고 부르며 환경을 관찰해서 행동을 실행하고 보상이나 벌점을 받습니다. 가장 큰 보상을 받기 위해 정책이라고 부르는 최상의 전략을 스스로 학습합니다. 보행로봇 같은 경우에 사용합니다. 

머신 러닝에서 회귀와 분류란?

지도학습에서 데이터의 종류에 따라 분류와 회귀로 나눌 수 있습니다. 

분류는 종속 변수 (target)이 범주형 데이터지만

회귀에서 종속 변수는 수치형 데이터입니다. 

즉 종속변수 ( 목표) 가 범주형 데이터면 분류, 종속 변수 ( 목표) 가 수치형 데이터면 회귀를 이용해야하는 것 입니다. 

예를 들어볼까요,

사람들의 수면시간을 입력 ( 독립변수) 시험 점수를 확인합니다. (종속 변수)  -> 회귀

사람들의 수면시간을 입력( 독립변수)  최종 합격여부를 확인합니다. (종속 변수)  -> 분류

회귀에서는 또, 독립변수 (x)가 한 개이고 종속변수 (Y)가 하나일 경우 단순 선형 회귀

독립변수 (X) 여러개와 종속변수 (Y) 하나의 관계일 경우 다중 선형 회귀라고 합니다. 

이에 회귀문제에서는 최적의 회귀 계수를 찾아야 합니다.

예측값과 실젯값의 차이 즉 오차를 최소화 해야하지만,  이 오차가 0이기엔 어렵고 그에 가까울 경우 과대적합일 경우도 있습니다. 이에 관련해서 다음장에서 설명드리겠습니다. 

*과대적합: 훈련한 데이터에만 정확도가 맞고 그렇지 않은 데이터에는 적합하지 않은 현상입니다. 저도 머신러닝 프로젝트를 할 때 다음과 같은 일이 많았습니다. 훈련한 데이터는 기가막히게 잘 분류하는데, 글쎄 다른 데이터는 분류를 엄청 이상하게 하더라구요. 이를 해결하는 방법에 대해서 다음에 말씀드리겠습니다.

푸키였습니다 좋은 하루 되세요! 

마음에 드셨다면 공감 부탁드립니다. 오류가 있다면 댓글로 알려주세요. 끊임없이 수정하고 있습니다.