딥러닝
1.[딥러닝] Neural Networks and Deep Learning Week 1
출처 : https://www.coursera.org/specializations/deep-learning딥러닝을 배우기 전에 neural networks에 대해서 알아본다. 아래와 같이 (집 크기, 가격) 데이터를 가지고 집 크기에 따른 가격을 예측하는 뉴럴
2.[딥러닝] Neural Networks and Deep Learning Week 2
출처 : https://www.coursera.org/specializations/deep-learningNeural Networks를 배우기 전에 기초 개념을 먼저 배운다.아래는 binary classification($y=1$ or $y=0$)에 대한 예시
3.[딥러닝] Neural Networks and Deep Learning Week 3
출처 : https://www.coursera.org/specializations/deep-learningneural network의 개요는 다음과 같다.이전에 봤던 Logistic regression을 여러 layer로 합친 것이라고 생각하면 편하다.3개의
4.[딥러닝] Neural Networks and Deep Learning Week 4
출처 : https://www.coursera.org/specializations/deep-learning딥러닝이란 무엇일까? 아래 그림을 보자.좌측 상단 : logistic regression 모델을 보여주며, 이는 "1 layer NN(Neural Netw
5.[딥러닝] Improving Deep Neural Networks: Hyperparameter Tuning, Regularization and Optimization Week 1
출처 : https://www.coursera.org/specializations/deep-learning보통 ML을 학습하는 과정은 순환 구조를 이룬다. 아래 그림과 같이 Idea를 Code로 적용하고 Experiment를 통해 결과를 확인하여 새로운 Ide
6.[딥러닝] Improving Deep Neural Networks: Hyperparameter Tuning, Regularization and Optimization Week 2
출처 : https://www.coursera.org/specializations/deep-learningmini batch gradient descent는 $m$개의 데이터를 $x$개의 묶음으로 나눠서 gradient descent를 적용하는 방법이다.아래
7.[딥러닝] Improving Deep Neural Networks: Hyperparameter Tuning, Regularization and Optimization Week 3
출처 : https://www.coursera.org/specializations/deep-learning딥러닝 모델에는 아래와 같이 다양한 하이퍼파라미터가 존재한다. 그러면 어떻게 최적의 하이퍼파라미터를 찾을 수 있을까?아래는 grid vs. random 에
8.[딥러닝] Convolutional Neural Networks Week 1
출처 : https://www.coursera.org/specializations/deep-learning컴퓨터 비전 연구의 예시는 아래와 같다.이미지 분류객체 탐지스타일 변환...하지만 일반적인 딥러닝 모델을 가지고 이미지 데이터를 처리할 때 아래와 같은 제
9.[딥러닝] Convolutional Neural Networks Week 2
출처 : https://www.coursera.org/specializations/deep-learningCNN의 가장 베이직한 모델인 LeNet-5의 구조는 아래와 같다.약 60,000개의 학습 파라미터를 갖는다.LeNet-5 다음으로 발전된 모델은 Alex
10.[딥러닝] Convolutional Neural Networks Week 3
출처 : https://www.coursera.org/specializations/deep-learning다음은 컴퓨터 비전의 주요 연구 분야 중 하나인 object detection 에 대한 내용이다.좌측과 같이 image classification + lo
11.[딥러닝] Convolutional Neural Networks Week 4
출처 : https://www.coursera.org/specializations/deep-learning다음 face verification 과 face recognition 의 차이를 정리한 내용이다.Verification 은 1 : 1 problem 으로
12.[딥러닝] Sequence Models Week 1
출처 : https://www.coursera.org/specializations/deep-learning이제 마지막으로 sequence model 에 대해서 알아본다.아래는 sequence data 들의 예시이다.squence model의 간단한 데이터 예시
13.[딥러닝] Sequence Models Week 2
출처 : https://www.coursera.org/specializations/deep-learning다음으로 word representation 에 대해서 알아보자.아래와 같이 각 단어는 10000개의 단어를 갖고 있는 사전 $V$ 에 대한 1 hot v
14.[딥러닝] Sequence Models Week 3
출처 : https://www.coursera.org/specializations/deep-learning다음으로 sequence to sequence 모델에 대해서 알아보자.아래와 같이 프랑스어를 영어로 번역할 때 사용되는 모델이다.입력 시퀀스 $x^{<
15.[딥러닝] Sequence Models Week 4
출처 : https://www.coursera.org/specializations/deep-learning이번에는 Transformer model 에 대해서 알아보자.Transformer Network 는 다음과 같은 동기로 발전하였다.기존의 RNN -> GR