딥러닝

보통의 사람이 수행하는 지능적인 작업을 자동화 하기 위한 연구활동이미지분류, 음성인식, 언어 번역 같은 복잡하고 불분명한 문제를 해결하기 위한 명확한 규칙을 찾기 위한 연구훈련(training): 데이터와 해답을 가지고 규칙을 찾는다경험적 발견에 의해 주도되는 매우 실

output = relu(dot(W, input)+b)W(tensor)와 b(bias)는 층의 가중치, 훈련파라미터초기의 가중치행렬은 무작위 초기화 = 의미없는 representation훈련, 훈련 반복 루트를 통해 가중치가 점진적으로 조정(optimizing)손실점수

층을 구성하는 단계에서 사용되는 함수로, 입력된 데이터의 가중 합을 출력신호로 변환하는 함수텐서연산에서 설명한 내용을 참고ReLU 활성화: max(x, 0)시그모이드 활성화: sigmoid(x) = 1 / (1 + exp(-x))소프트맥스 활성화: exp(x) / re

🔸 데이터 shape(60000, 28, 28)🔸 모든 값을 0,1 사이의 값으로 스케일링🔸 신경망 구조Dense = Densely connected 층을 구성마지막 Dense는 출력 값을 표현, 총 0~9까지 10개의 숫자중 하나가 출력softmax: 출력 값이

최적화: 훈련데이터에서 최고의 성능을 얻으려고 모델을 조정하는 과정(학습)일반화: 훈련된 모델이 완전 새로운 데이터에서 얼마나 잘 수행되는가머신러닝의 이슈: 최적화와 일반화 사이의 줄다리기🔸 과소적합네트워크가 훈련 데이터에 있는 모든 관련 패턴을 학습하지 못한 상태모

저수준 텐서연산, 텐서플로 API변환텐서텐서연산(relu,덧셈,matmul 등)역전파(그레이디언트 계산)고수준 딥러닝, 케라스 API변환1\. 모델 구성 (layers)layers: 가중치와 연산을 캡슐화하고, 이런 층을 조합하여 모델 생성2\. 모델 컴파일 (mode

@: annotation,decorator@property변수를 변경 할 때 어떠한 제한을 둘 수 있음get,set 함수를 만들지 않고 더 간단하게 접근(좀 더 간결하고 읽기 편하게 작성)하위호환성에 도움이해를 돕기위한 코딩 다른 방법assert (가정 설정문)은 어떤

각각의 함수에 대한 것은 신경망 모델의 함수알기에서 확인https://velog.io/@ranyjoon/%EB%94%A5%EB%9F%AC%EB%8B%9D%ED%95%A8%EC%88%98🔸 함수 내용 비교input_shape == w_shapeadd_weigh

이진 분류: 각 입력 샘플이 2개의 배타적인 범주로 구분다중 분류: 각 입력 샘플이 2개 이상의 범주로 분류다중 레이블 분류: 각 입력 샘플이 여러 레이블에 해당할 경우(ex: 고양이와 강아지가 같이 있는 사진 분류)스칼라 회귀: 타깃이 연속적인 스칼라값인 작업벡터 회

🔸 케라스 API설계는 단계적 공개(progressive disclosure) 원칙을 따른다.시작은 쉽게, 필요할때 점진적으로 학습🔸 케라스에서 모델을 만드는 방법Sequential 모델: 단순히 층을 쌓은 것이고 하나의 입력을 하나의 출력에 매핑한다.함수형 API

사용자 정의 측정 지표 전달fit()에 콜백(callback)을 전달: 특정 시점에 수행될 행동 예약metric: 모델의 성능을 측정하는 열쇠일반적으로 사용되는 지표는 Keras에 포함compile에서 사용되는 metrics 모듈은 keras.metrics.Metric

현재 배치 데이터에 대한 손실 값 계산: 그레이디언트 테이프 정방향 패스 실행모델 가중치에 대한 손실의 그레이디언트 계산현재 배치데이터에 모델 가중치 업데이트Dropout 및 BatchNormalization 레이어와 같이 일부 케라스 층의 훈련과 추론에서 동작이 다른

문제영역과 고객요청 이면의 비지니스 로직을 이해한다. 데이터를 수집하고 데이터가 드러내는 내용을 이해하고, 작업의 성공을 측정하는 방법을 선택입력데이터는 무엇인가?당면한 문제가 어떤 종류인가?기존 솔루션은?고려해야할 제약은?모델링의 개선점을 찾는 것 보다 더 많은 데이

= 컨브넷(Convnet)대부분의 컴퓨터 비전 애플리케이션에 사용함수형 API사용데이터의 특징을 추출하여 특징들의 패턴을 파악하는 구조CNN 알고리즘은 Convolution과정과 Pooling과정을 통해 진행컨브넷은 배치차원을 제외하고(height, width, cha

합성곱연산_사전훈련된 모델 활용 사전 훈련된 모델(pretrained model): 대규모 이미지 분류 문제를 위해 대량의 데이터셋에서 미리 훈련된 모델 keras에서 사용할 수 있는 사전훈련모델 Xception, ResNet, MobileNet, Efficie

이미지 분류 image classification: 이미지에 하나 이상의 레이블을 할당하는 것 단일/다중이미지 분할 image segmentation: 이미지를 다른 영역으로 나누거나 분할하는 것(ex. 화상회의에서 얼굴과 배경분리)객체 탐지 object detecti

아키텍처란?모델을 만드는 데 사용된 일련의 선택들가설공간을 정의 사진 지식(prior knowledge)을 인코딩 \- ex: 이미지에 있는 패턴이 이동 불변성이 있음을 이미 알고 있음아키텍처 공식: MHR모듈화: 반목되는 층 그룹계층화: 모듈의 계층화, 대부분의

LeNet-5는 복잡하지 않은 망을 이용하여 (당시 기준)높은 성능을 보여주었음Convolutional layer와 pooling의 조합을 반복하는 현대적인 CNN 구조를 제안했다는 점에서 의미가 있는 모델활성화 함수로 ReLU 사용, Dropout 적용합성곱과 풀링

컴퓨터 비전에서의 문제점: 해석가능성모델이 학습한 표현을 사람이 이해하기 쉬운 형태로 뽑아내거나 제시하기 어려움컨브넷의 표현: 시각화 가능중간층 출력: 입력을 어떻게 변형시키는가 파악, 필터의 의미 파악필터 시각화: 필터가 찾으려는 시각적 패턴과 개념 이해클래스 활성화

Recurrent Neural Network 🔸 순환신경망(Recurrent Neural Network): 유닛간의 연결이 순환적 구조 스스로를 반복하면서 이전 단계에서 얻은 정보가 지속(재귀적 활동) 셀(cell): 은닉층에서 활성화 함수를 통해 결과를 내보내는

시계열 데이터: 일정한 간격으로 측정하여 얻은 모든 데이터가장 일반적인 시계열 관련 작업: 예측시계열 데이터로 할 수 있는 작업분류: 범주형 레이블을 시계열에 부여, 예로 웹사이트 방문자 활동에 시계열을 부여하여 방문자가 BOT인지 사람인지 분류이벤트 감지: 특정 이벤