딥러닝
1.[Deep Learning] 신경망 기초 - 인공지능과 기계학습
인공지능이란?
2.[Deep Learning] 신경망 기초 - 다층 퍼셉트론
0. 신경망 기초 뉴런 가장 작은 정보처리 단위 퍼셉트론 고안 신경망 종류 전방 신경망과 순환 신경망 얕은 신경망과 깊은 신경망 결정론 신경망과 확률론적 신경망 결정론 : 모델의 매개 변수와 조건에 의해 출력이 완전히 결정되는 신경망 확률론적 : 고유의 임의
3.[Deep Learning] 신경망 기초 - 기계학습 & 수학
전치행렬 $A^T$행요소와 열요소를 바꾼다$(AB)^T = B^TA^T$행렬 곱셈교환 법칙 성립하지 않는다분배, 결합 법칙 성립공간의 변환벡터의 내적으로 구성되어 있다벡터의 내적유사도를 측정하는 것방향이 얼마나 비슷한지 (비슷할 수록 값이 크다, 반대방향이면 음수, 9
4.Image Classification : MNIST
MNIST 숫자 데이터 학습하기 (LeNet5)
5.[CNN] 1. convolution
3가지 방법으로 CNN 구현해보기
6.[CNN] 2. Pooling / Fully Connected layer / Activation /
CNN의 pooling, fully connected layer, activation 구현해보기
7.[CNN] 3. Training 기법들 (Optimizer, Regularization, Drop out, Batch Normalization)
Optimizer, Regularization, Drop out, Batch normalization의 역할
8.[CNN] 4. 성능 높이는 방법
CNN 성능 높이는 방법
9.[Object Detection] 1. Object Detection 과정
object detection의 종류와 object 검출 방법 및 데이터 전처리 과정
10.[Object Detection] 2. model & evaluation metric
object detection 모델들과 평가 방법
11.[Object Detection] 3. YOLO papers
새로운 방식의 object detection이전의 방식은 classifier를 사용하였지만 YOLO는 regression 방식으로 bounding box와 class probablities에 접근한다한번의 forward로 bbox와 class를 예측한다single ne
12.[Object Detection] 4-1. YOLO v3 : dataset 준비
YOLO v3 dataset 준비
13.[Object Detection] 4-2. YOLO v3 : model 구현 및 train
yolo v3의 model를 직접 구현하고 loss 계산 및 training 부분을 pytorch로 직접 구현
14.[Object Detection] 4-3. YOLO v3 : pretrained weight 불러와서 사용하기
모델을 학습할 때 pretrained weight 불러와서 사용하기
15.[Object Detection] 4-4. YOLO v3 : evaluation
YOLO v3 model의 evaluation 방법
16.[Object Detection] 4-5. YOLO v3 tiny
YOLO v3 tiny model
17.[Deep Learning] ONNX와 TensorRT
딥러닝 모델 공유를 위한 ONNX와 모델 최적화 및 배포를 위한 TensorRT
18.[Deep Learning] 클래스 불균형 (class imbalance) 다루는 방법
클래스 불균형 문제와 해결방법