Stanford University School of Engineering [CS231N]
1.[CS231N] Lecture 1 Introduction
강의의 주제와 전반적인 진행 방식, 컴퓨터 비전의 역사에 대한 설명이 이루어졌다.
2.[CS231N] Lecture 2 Image Classification pipeline
이미지 분류는 컴퓨터 비전의 핵심 작업이라 할 수 있다. 컴퓨터는 입력된 이미지를 보고 이미 분류된 범주 레이블 중 하나를 지정해줌으로써 이미지를 분류한다.이 과정에서 여러 문제들이 발생할 수 있다. semantic gap : 컴퓨터는 사진을 거대한 숫자 그리드로만 인
3.[CS231N] Lecture 3 Loss Functions and Optimization
Lecture 3에서는 Loss function(손실 함수)와 Optimization(최적화)에 대해 배웠다.여러 W값 중 어떤 W가 가장 좋은지 알기 위해서는 특정 W값이 양적으로 얼마나 나쁜지 알아야 한다. Loss function : score(점수)를 이용해 이
4.[CS231N] Lecture 4 Loss Introduction to Neural Networks
선형 분류 연산의 결과를 역방향으로 다시 지나가면서 가중치를 재업데이트하는 방법으로, 최종 손실값 L을 구하는 Computational graph를 편미분 연산을 통해 역방향으로 계산해가면서 각 부분에 해당하는 경사값을 구한다.최종 손실값을 구하는 과정을 computa
5.[CS231N] Lecture 5 Convolutional Neural Networks
1.신경망의 역사 1957년, Frank Rosenblatt에 의해 Mark1 Perceptron 기계가 개발되면서 최초로 퍼셉트론 알고리즘이 구현되었다. 이를 통해 가중치 W를 업데이트하는 update rule이 발생하였다. 1960년, Widrow와 Hoff에 의해
6.[CS231N] Lecture 6 Training Neural Networks I
앞으로 강의는 NN(Neural Networks)의 학습에 대해 진행된다.신경망을 어떻게 설정하는지ex) 어떤 활성화 함수를 선택하는지, 어떻게 데이터를 전처리하는지, 정규화, 가중치 초기화 방법 등훈련 역학 (Training Dynamic)ex) 매개변수 최적화, 하
7.[CS231N] Lecture 7 Training Neural Networks II
1. Fancier Optimization Optimization(최적화) : 손실 함수(loss function)의 최솟값을 찾아나가는 일련의 과정으로, 역전파(backpropagation) 과정 중 가중치를 업데이트하면서 진행된다. 매 step마다 순방향 전파(fo