안녕하세요, 여러분! 오늘은 "뇌과학자가 바라보는 AI시대의 미래" 인문학 콘서트에 다녀와서 들은 내용을 정리해보려고 합니다. 이 콘서트에서는 AI의 미래에 대한 흥미로운 전망과 인간과 기계의 차이점, 그리고 어떻게 아이들을 양육해야 하는지에 대한 질문에 답해주셨는데요

문제를 해결하는 방법을 패턴화해서 표현반복적으로 발생하는 문제를 어떻게 해결할지에 대한 솔루션 - 추상화된 패턴개발할 때 구조화된 패턴을 설명하는 용어안티 패턴 : 좋지 않은 패턴1) 초기 개발 : main.py, inference.py, predict.py, util

예약된 시간에 실행되는 프로세스일회성(1회)도 가능하고, 주기적인 실행도 가능 ex. 이번 주 일요일 07:00에 1번 실행되는 프로세스 ex. 매주 일요일 07:00에 실행되는 프로세스모델을 주기적으로 학습시키는 경우 사용(Continuous Training)주

High Performance : Node.js, go와 대등한 성능Easy : Flask와 비슷한 구조, Microservice에 적합Productivity : Swagger 자동 생성, Pydantic을 이용한 Serialization장점 Flask보다 간결한 Ro

server의 형태 모놀리식 아키텍쳐(Monolithic Architecture) 하나의 큰 서버 안에 모든 기능을 처리함 마이크로서비스 아키텍쳐(Mircroservice Architecture-MSA) 각각의 기능이 개별서버로 구성되고, 서로 통신하도록 함 개발할 때 API를 의미로 만들 수 있으나 작성 양식이 다르면 서로 다르게 쓰게됨 ->...

CI/CD(Continious Integration/Continuous deploymen)라는 용어에 대해서 많이 들어보았지만, 실제로 회사에서 직접 구현해보지는 않아서 많이 낯설다.이번에는 CI/CD가 무엇인지 알아보고 Github Action을 통해 CI/CD 파이

OCR 시스템에서 가장 먼저 수행되는 단계는 무엇일까? 바로 글자 검출이다.글자 검출은 이미지에서 읽어낼 글자가 놓여있는 영역을 찾아내는 기술이다.글자 영역을 표현하는 방식 등 글자 검출 관련 기술과, 글자 검출 방법론들을 알아보겠다.Object Detection :

OCR : Optical Character Recognition(vs STR : Scene Text Recognition)OCR = 글자읽기 = 글자 영역 찾기 + 영역 내 글자 인식Object Detection : 입력이미지에서 정해진 클래스들이 해당하는 각 객체들의

실무에서 AI프로젝트 생애주기는 어떻게 될까? SW2.0으로 인한 패러다임으로 데이터셋 제작의 중요성이 대두 되었고, 생애주기에도 데이터셋 제작의 중요성이 강조되었다.실제 상품화되는 모델의 성능을 개선하고 유지보수하는데 좋은 데이터를 확보하는 것은 매우 중요하다.AI

실제 딥러닝 기반 프로덕트를 배포 시 중요시 되는 것 중 하나는 데이터셋 제작이다. 소프트웨어 개발 방식인 Software 1.0, Software 2.0을 알아보고, 데이터셋 제작 측면에서 Software 1.0와 Software 2.0 차이점을 알아보자

이번 강의에서는 이미지에서 Feature를 추출하는 Backbone과 Region Proposal Network(RPN)을 연결하는 Neck에 대해 알아봅니다. Neck은 왜 필요한지, Neck의 종류에는 어떤 것들이 있는지(FPN, PANet, DetectorRS,

Object Detection은 통합된 라이브러리의 부재실무 / 캐글에서는 아래 두 라이브러리를 주로 활용함• MMDetection• Detectron2Pytorch 기반의 Object Detection 오픈소스 라이브러리2 Stage 모델은 크게 Backbone /

Object Detection 모델들은 크게 2 Stage Detector와 1 Stage Detector로 구분이 가능합니다. 저희는 그 중 먼저 2 Stage Detector에 대해 학습해봅시다. 이번 강의에서는 R-CNN부터 SPPNet, Fast R-CNN, 그

학습된 모델을 Transfer 해서 학습하는 Transfer learning와, Knowledge distillation 방법을 알아보고, Self-training with noisy student인 Recap을 알아보겠다.

학습 데이터는 세상의 모든 데이터와 항상 같을까? 학습데이터는 항상 현실 데이터와 차이가 있을 수 밖에 없다. 이런 차이를 Data augmentation를 통해서 줄여나갈 수 있다.이번 장에서는 Image Data의 augmentation을 알아보겠다.

최적화를 위해 손실함수 값이 낮아지는 방향으로 가기 위해 1차 미분계수를 이용하는 알고리즘인 경사하강법의 종류에 대해 알아보겠다.

최적화된 모델을 만들기 위해 여러개의 분류기(모델)을 생성하고, 그 예측을 결합함으로서 하나의 강력한 모델 대신 약한 모델 여러개를 조합해 더 정확한 예측에 도움을 주는 방식인 앙상블에 대해 알아보겠다.

신경망이 학습데이터에만 너무 특화되어 있지 않고, 일반화(generalization)가 가능하도록 규제(penalty)를 가하는 기법을 알아보겠다

이전 장에서 신경망에 대해 알아봤다면 이번에는 신경망 학습의 목적인 최적화를 알아볼 것이다.

이번 장에서는 GoogLeNet, ResNet가 Degradation problem를 어떻게 해결하였는지 알아보고, DenseNet, SENet, EfficientNet을 통해 Image Classification 성능을 더 높이는 방법을 알아보겠다.