2021/08/02 학습한 내용 Python Basic 캠프 기간동안 주로 사용하는 언어인 Python을 공부한다. 한 주간 들어야하는 Python 강의는 아주 기초적인 내용부터 시작한다. 학교를 다니는 동안 Java, C++, C, Javascript 등 다양한 언어
현실 세계를 모델링해 속성과 행동을 가지는 객체를 만드는 객체지향 프로그래밍에 대해 공부했다. 객체지향 프로그래밍의 의미는 프로그래밍 언어에 따라 큰 차이가 없어서 문법적 차이점을 익히는데 집중했다.가장 큰 차이점은 java, c++ 언어에서는 클래스를 생성할 때 가장
2021/08/04 학습한 내용 AI Math 통계학 기초 통계적 모델링은 적절한 가정에서 확률분포를 추정하는 것이다. 다양한 확률분포들 중에서 어떠한 확률분포를 사용해서 모델링을 하느냐는 중요한 선택일 수 있다. 하지만 데이터의 일부만 관찰해서 모집단의 분포를 알수는
2021/08/06 주간 정리 강의 복습 경사하강법 경사하강법을 통해 목적식을 찾을 수 있다. 실제값과 가설의 차이를 최소화 할 수 있는 방법을 경사하강법을 통해 알아낸다. 통계적 모델링 베이즈 정리는 새로운 데이터가 들어왔을때 정보를 갱신하는 방법을 알려준다. 조
구현기술수학 (선형대수, 확률)최신기술특히 수학적 지식이 가장 중요한 것 같다.Data Model Loss Algorithm 어떤 데이터를 사용하는지, 어떤 모델을 사용했는지, 모델의 성능, loss를 최소화 할 수 있는 알고리즘 등이 Deep Learning의 주요
최적화 문제는 다음과 같은 개념으로 분류할 수 있으며 통계학으로 부터 전해진 내용들이다.GeneralizationUnder-fitting, Over-fittingCross validationBias-variance tradeoffBootstrappingBagging,
ConvolutionNxN 크기의 filter(kernel)가 입력 데이터 (image)를 순차적으로 순회하면서 output을 만들어내는 연산이다. filter를 어떻게 초기화 하는지에 따라 Blur, Emboss, Outline 등 다양한 결과물을 만들 수 있다.fi
Sequential model은 입력데이터 길이가 언제 끝날지 모르는 어려움이 있다. input 데이터의 길이가 길어질수록 과거 정보량이 점점 늘어난다.이러한 문제점에 대한 해결책은 사용할 과거정보를 한정적으로 고정할 수 있는 방법이 있다. Markov modelRNN
2021/08/13 주간 정리 강의 복습 DL Basic MLP: 여러개의 hidden layer로 구성된 architecture Optimization: 최적화 문제는 여러가지가 있다. 각 train, test set에 대한 성능 이슈인 Generalization
Tensor PyTorch의 자료구조, ndarray와 거의 동일함 따라서 data 타입 또한 numpy와 동일numpy의 operations 대부분 적용 (ones_like(), flatten(), ...)PyTorch의 tensor는 GPU에 할당 가능함view,
2021/08/19 학습한 내용 Python Basic Model save 긴 시간동안 학습을 해야하는 경우 Monitoring tools for PyTorch 피어세션 끝
PyTorch BasicsTensor: PyTorch의 자료구조, numpy의 ndarry와 비슷하게 사용할 수 있음(생성, 연산)torch.nn: ML/DL에 필요한 여러가지 operation 및 객체 지원. 쉽게 model을 생성할 수 있지만 document를 통
2021/08/13 주간 정리 P-Stage level-1 Image Classification p-stage에서는 competition에 참여하여 주어진 문제를 해결하면서 내용 학습 및 실습을 진행함 주간 학습 학습내용 주어진 데이터셋을 사용할 수 있는 custom
Computer Vision Data augmentation 사용하는 이유 현실에서 데이터셋으로 사용하는 이미지 데이터는 결국 사람이 구도를 잡고 찍은 데이터이다. 유행에 따라 구도가 변할 수 있고 예쁜 사진을 찍기 위해 구도를 잡는다. 이렇게 사람이 찍은 이미지
학습시킨 모델이 이미지의 어떤 부분을 보고 분류하는지, 특징점을 잘 파악하고 있는지 알아보기 위해 시도해볼 수 있는 기술인 Grad CAM(Class Activation Map)에 대해 알아보고 구현을 통해 CIFAR-10, MNIST 데이터에 직접 적용한다.CAM은
Computer vision: 인간의 다양한 감각중 가장 중요한 감각인 시각을 인공지능 기술로 구현하면 넓은 분야의 task를 수행 가능Fundamental image tasks: Classification, Segmentation, Object detection an
Semantic segmentation에서 한 단계 더 발전하여 같은 class 여도 instance가 다른 개체 구분Mask R-CNN: 기존 Faster R-CNN의 Rol pooling은 정수 좌표만 가능했지만 Mask R-CNN은 소수 좌표도 가능해 성능을 향상
강의내용 2-Stage Detectors 인공지능으로 객체를 인식하는 방법은 사람이 인지하는 방식과 비슷한 방식으로 설계되어 있다. 먼저 객체의 위치를 찾고 배경과 구분하여 물체를 맞추는 방식으로 객체를 인식하는데 인공지능도 마찬가지로 객체의 위치를 찾아내고 위치 안에
FCN의 한계와 Skip-Connection을 적용해 극복한 모델들Recptive Field를 확장시킨 모델들큰 객체의 경우 지역적인 정보만으로 예측해 전체적인 모습을 예측하지 못함같은 객체여도 다르게 labeling작은 Object가 무시되는 경우가 있음Deconvo
Segmentation Recptive Field를 확장시킨 모델들 1. DeepLab v2 1) DeepLab v2? Backbone을 ResNet-101을 사용해 성능 향상 Atrous Spatial Pyramid Pooling(ASPP) 적용해 다양한 크기의 R