딥러닝

독립 변수와 종속 변수 간의 상관관계를 모델링하는 통계학적 기법으로,일반적으로 예측과 분류 문제에 사용$y=x_1+x_2 +x_3 + ... +x_n$독립 변수 ( $x$ ) : 원인 변수종속 변수 ( $y$ ) : 예측하려는 값Linear Regression의 목표

입력 데이터를 미리 정의된 범주로 나누는 것(일반적으로 분류 문제는 지도학습 유형으로 다루어짐)범주를 구분하는 분류 문제에 취약특이값이나 이상치에 크게 영향 받음분류 데이터는 0,1로 표현되며, 데이터의 표현 범위는 $0.0, 1.0$선형회귀의 표현 범위는 $-∞, +

: 자동차 연비 예측차량의 연비를 예측하는 모델을 만드려고 함자동차의 특성을 기반으로 연비를 예측하는 선형회귀 모델을 학습2.1) 초기화 함수 정의하기 : w,b 랜덤함수 사용하여 0.0~1.0 값으로 정의2.2) 모델을 정의 : prediction 함수를 만들고, 입

생물학적 뉴런을 모방한 알고리즘으로, 인공신경망의 기본 단위입력 데이터를 받아 가중치와 계산하고, 그 결과를 활성화 함수로 변환하여 출력(Neuron은 신경 세포의 가장 작은 기본 단위)input : 외부에서 입력되는 값Weights : 각 입력에 대한 중요도 (가중치

손실 함수의 기울기 방향으로 파라미터 업데이트하는 알고리즘문제점 : 은닉층이 여러 개일 때 미분 불가(모델의 크기가 커지면 계산량 매우 커짐)신경망 학습에서 오차를 입력층(Input layer)으로 전달하여각 가중치의 기여도를 계산하고 업데이트하는 알고리즘은닉층이 여러

: 기울기를 이용하여 손실함수를 최소화하는 방향으로 파라미터를 업데이트하는 알고리즘학습 데이터가 많을 경우, 연산량 매우 많아짐지역 최소점 근처에서 급격히 느려짐(학습을 진행할 수록 미분값이 작아지면서 속도 느려짐)전체 학습 데이터에서 미리 정의한 N개 만큼의 데이터를

모델이 데이터를 제대로 학습하지 못해서, 학습 데이터조차 잘 예측하지 못하는 상태데이터셋 충분하지 않음모델이 너무 단순데이터 전처리 부족높은 Bias를 보여줌 (학습 데이터에 대해서도 성능 확보 X)학습 및 테이스 데이터 모두 성능 확보 X모델이 학습 데이터에 너무 과

Facebook AI Research(FAIR)에서 개발한 오픈소스 딥러닝 프레임 워크동적 계산 그래프 기반 → 코드 흐름을 유연하게 디버깅, 실험가능 Tensor : 기본 데이터 구조 (Numpy 처럼 생겼지만 GPU 연산 지원)Autograd : 자동 미분 기능

ㅇㅇㅇ

이미지 처리 : 디지털 이미지를 분석하거나 수정하여 정보를 추출하거나 생성하는 기술 목적 시각 정보 이해 : 객체 인식, 얼굴 인식 등 시각적 품질 향상 : 노이즈 제거, 색 보정 등 이미지 생성 및 변형 : 필터 적용, 합성 등 활용 사례 의료 : CT, MRI

1. FCN (Fully Connected Layer) > ## 2. Convolution and Filter Spatial Structure Cost effective learning을 위해 ch10.에서는 이미지 크기를 줄이는 전략 선택 문제점 : 중요한 정보

계산 효율을 위해 다양한 추가 옵션을 사용할 수 있음in_channels(필수) : 입력 채널 수out_channels(필수) : 출력 채널 수kernel_size(필수) : 커널(필터)의 크기stride : 필터가 이동하는 보폭(기본값 :1)padding : 입력 가

: Object Detection 모델로 확장하기(Step 1,2는 동일): Grid Cell 단위로 학습하기 위한 YOLO 학습 데이터 만들기