딥러닝

머신 러닝(특히 분류 모델)에서 모델 성능을 측정할 때, 가장 기본이 되면서도 중요한 개념이 정밀도(precision), 재현율(recall), 그리고 이 둘의 조화평균인 F1 스코어(F1-score)입니다. 이들은 모델이 긍정 클래스(positive class, 예:

머신 러닝에서 다중 클래스 분류를 수행할 때, 정밀도(Precision), 재현율(Recall), 그리고 이를 조화평균한 F1 스코어(F1-score)를 여러 방식으로 요약해볼 수 있습니다. 대표적으로 micro, macro, weighted avg 방식을 사용해 F1

목표: 간단한 확률 분포 $p_z(z)$ (예: 표준 정규분포 $z \\sim \\mathcal{N}(0, I)$)를 복잡한 데이터 분포 $p_x(x)$로 변환하는 것입니다.방법: $z$를 $x$로 변환하는 함수 $f$를 학습합니다. 이 함수 $f$는 미분 가능하고 역

1. Continuous Normalizing Flows (CNF) Continuous Normalizing Flows(CNF)는 딥러닝 기반 생성 모델, 특히 Normalizing Flows (NF) 계열에서 매우 중요하고 흥미로운 개념입니다. CNF는 $K$개의 이산적인 변환 $f_k$를 사용하는 대신, 이 변환 과정을 무한히 작은 변환의 연속으로 일반...