인공지능

배치 정규화는 신경망의 깊이가 깊을수록 원래 의도했던 데이터 분포가 달라지는 것을 막아주는 효과가 있습니다.네트워크의 깊이가 깊어 질수록 레이어 통과할때마다 데이터 분포가 치우치는 현상이 더 많이 발생하며, 배치 정규화를 사용했을 때 일반적으로 성능이 좋아집니다.최근에

양자화는 영상이 얼마나 섬세하게 색을 표현할 수 있는지 결정합니다.이번 문제에서는 영상을 흑백으로 바꾸어보고 주어진 레벨에 맞게 양자화를 진행합니다. 그리고 명도에 따라 아스키 문자를 할당하여 콘솔로 영상을 출력할 수 있는 간단한 아스키 영상을 만들어봅시다.아래 함수

MSE는 평균제곱오차(Mean squared error)입니다.Python과 numpy를 이용해서 MSE를 직접 구현하고 올바른 오차값이 나오는지 확인해 보세요.정답 데이터와 입력(추론)데이터가 얼마나 차이가 있는지 수치로 표현 할 수 있습니다. 오차함수이기 때문에 값

MNIST 데이터셋MNIST 데이터셋은 아래와 같이 숫자 0부터 9까지의 수를 손으로 쓴 28 × 28의 이진 이미지 데이터셋입니다.60,000개의 학습 셋과 10,000개의 테스트셋이 있습니다.우리는 이 데이터셋으로 우리만의 CNN을 학습 시켜 숫자 이미지를 분리하는

앞선 실습에서 구현하였던 모델을 이제 학습을 시켜보려고 합니다.모델 구조imageDateset 로드하기keras는 저명한 데이터셋들을 다운로드하고 바로 로드할 수 있도록 해주는 datasets 모듈을 지원합니다.앞 실습에서 소개된 MNIST 데이터셋을 로드하기 위해선

tensorflow의 fit 함수는 학습을 진행하는 과정을 다루는 가장 중요한 함수입니다. 이번 실습에서는 fit 함수의 매개변수들을 채워 넣으면서 학습 과정을 조절해보겠습니다. 지시사항에 적힌 조건을 참고하여 fit 함수를 완성하세요.지시사항아래 매개변수의 설명을 참

이번 실습에서는 Tensorflow를 통해 모델을 저장하는 방법을 알아보도록 하겠습니다.Tensorflow에서 모델을 저장하기 위해 사용하는 형식은 H5 Format과 SavedModel 두 가지가 있습니다. 실습에서는 두 가지 방식으로 각각 저장하는 방법을 실습 해보

모든 데이터 분석에 앞서 더 정확한 모델링을 위해 데이터의 특징을 살펴보는 것이 중요합니다. 텍스트의 경우, 데이터 내 단어의 빈도수를 살펴보는 것으로 특징을 파악할 수 있습니다.이번 실습에서는 영화 리뷰 데이터인 IMDB dataset에서 단어별 빈도수를 살펴볼 예정

Vanilla RNN 모델 만들기 이번 실습에서는 RNN 모델의 가장 간단한 형태인 Vanilla RNN 모델을 직접 만들어보도록 하겠습니다. Tensorflow에서는 이러한 Vanilla RNN이 SimpleRNN 이라는 이름으로 구현되어 있습니다. 따라서 앞선 C

이번 실습에서는 이미지의 형태를 변환하는 기법들을 Pillow를 통해 구현해보도록 하겠습니다.대표적인 이미지 변형 기법에는 잘라내기(Crop), 회전(Rotate), 크기 변화(Resize), 전단 변환(Shearing) 등이 있습니다.지시사항에 따라 각각의 기능을 구

Convolutional Layer는 커널을 이용하여 이미지에서 feature를 추출하는 Layer입니다.이미지는 Convolutional Layer를 통과할 때 padding을 따로 추가하지 않았다면 사이즈가 점점 줄어듭니다. 따라서 이를 방지하고자 이미지의 테두리에

GD vs SGD(Stochastic Gradient Descent) GD(Gradient Descent) 는 시작 지점에서 기울기의 반대 방향으로 하강하면서 손실 함수(loss function)를 최소화하는 지점을 찾기 위한 가장 직관적인 방법입니다. 이처럼 전체

Gradient descent 알고리즘은 손실 함수(loss function)의 미분값인 gradient를 이용해 모델에게 맞는 최적의 가중치(weight), 즉 손실 함수의 값을 최소화 하는 가중치를 구할 수 있는 알고리즘입니다.이번 실습에서는 Gradient des

퍼셉트론 작동 예시 구현하기 이번 실습에서는 이론 영상을 통해 학습한 퍼셉트론의 작동 예시를 직접 코드로 구현해보도록 하겠습니다. 위 세 가지 사항과 아래의 표를 고려해서 외출 여부(출력값 y)를 판단하는 Perceptron 함수를 만들어봅시다. 실습 입력 받은 x