questionet

비유, 상상은 어느 정도 수준까지 모방해낼 수 있을 것처럼 보인다. 하지만 강한 형식논리와 수학적 귀납법에서 결코 자유로워 보이지 않는 컴퓨터 프로그래밍이 모순성, 규칙 깨뜨리기, 자기파괴를 허용할 수 있을까? 2월 2일 김승일 모두의 연구소 소장님의 강연에서 김승일 소장님이 한 이야기를 여기에 끌어 당겨와 본다면, many-

복리법 자연로그 e 미분을 하면 자기 자신이 나오는 것 $$\boldsymbol{e}^{\mathrm{i} \phi}=\cos \phi+\mathrm{i} \sin \phi$$ $$e^{i \pi}+1=0$$ sigmoid function

하드웨어(CPU, Memory)-커널-쉘-어플리케이션

차원이란 용어의 쓰임새 dim, axis, rank, 변수, feature의 개수 여기저기 막 혼용되어 아직 분명히 머리 속에 정립돼 있진 않다. 일단 지금은 feature의 수라고 두고 접근해보자. 차원의 저주란, 1 차원이 늘어나면 데이터 공간이 커진다 . 2 변수가 늘어나면 분석에 요구되는 데이터 건수도 증가한다. 3 공간을 채울만큼 큰 데이터 수집 없이 적은 데이터로만 돌릴 경우 오버피팅이 발생할 수 있다. 차원 축소란, 차원의 수를 줄이는 것, feature의 수를 줄이는 것. 차원 축소를 통해 차원의 저주를 탈피하고 시각화가 쉬워지는 이점을 얻을 수 있다. 차원 축소 방법엔, 1 feature selection (기준 : 변수에 중첩이 있는지, 중요한 변수가 뭔지, 어떤 변수가 타켓에 영향을 ..

1 학습 방법을 바꿀 때(하이퍼 파라미터 튜닝) 2 교차 검증 (cross validation)이 필요할 경우 * 튜닝해야할 하이퍼 파라미터가 많을 때 사용한다. *검증 셋을 바꿔 여러번 검증해서 그 평균값으로 성능을 정의한다. *평균이 낮더라도 안정적인 결과를 내는 게 더 좋은 모델일 수 있다. 3 학습을 중단하는 시점을 정할 때 (에포크를 몇으로 할 건지 = 훈련셋을 몇번 반복해서 학습할 건지) * 초기에는 에포크가 높을수록 검증셋의 평가결과도 좋다? * 학습이 덜 된 상태(언더피팅 상태)에서는 에포크를 늘려서 학습을 더 시키면 더 좋은 성능을 볼 수 있다. 4 주의사항 * 교차검증은 계산량이 많아서 데이터 수가 많지 않을 때 사용한다. (딥러닝에선 잘 쓰지 않음) * 교차 검증시엔 검증셋을 바꿀 때..

1. image classification algolithm 의 핵심. data-driven approach에 기반한 image classification 카테고리를 나눠서 데이터마다 레이블을 붙이는 것. 이렇게 레이블 된 데이터들을 가지고 training set 을 만든 다음 훈련을 거쳐 새로운 이미지를 던져줬을 때 우리가 맞혀주길 바라는 레이블을 내놓게 하는게 image classification algolithm 의 핵심. 이제 문제는 어떻게 훈련을 시키느냐 하는 것이다. 어떤 알고리즘을 써서 분류하게 할 것이냐. 2. NN과 KNN의 핵심 첫번째로 NN (Nearest Neighbor) 알고리즘의 경우를 생각해보자. NN의 유사도 함수는 두 이미지의 각 픽셀들의 차이를 구해서 합한다음 그 값이 적..

Summary image classification is a fundamental building block of different algorithms like object detection (draw boxes around the objects), image captioning the example of the process of image classification 1 input : image (like a cat) 2 algorithm : perform image classification (giving category label to objects and images) 3 output : image is categorized (cat labeled) what exactly computer do? ..

https://www.youtube.com/playlist?list=PL5-TkQAfAZFbzxjBHtzdVCWE0Zbhomg7r (첨부된 이미지 및 강의 내용 출처) Deep Learning for Computer Vision Computer Vision has become ubiquitous in our society, with applications in search, image understanding, apps, mapping, medicine, drones, and self-driving car... www.youtube.com Summary what is AI? making machines do things that people normally do cf) there are types of ..