딥러닝🖍️

이번주 딥러닝 기초에 대해서 배웠다.내용들을 정리하면서 한번더 공부하기!모든 문제에 딥러닝이 정답은 아님. 데이터와 문제의 복잡도에 따라 선택해야 한다.머신러닝(ML) : 데이터가 숫자로 가볍게 표현되고 양이 적을 때 사용한다.(예 : 선형회귀, 결정트리, XGBoos

딥러닝 기초 2일차 정리데이터가 정형(표)형태이고 양이 아주 많지 않을 때는 여전히 강력한 도구임.배깅(Bagging) : 병렬 구조. 여러 트리를 랜덤하게 만들어 투표함(예:Random Forest)부스팅(Boosting) : 직렬 구조. 이전 트리가 틀린 문제를 다

딥러닝 기초 3일차 정리모델의 실전 근육키우기!! (일반화 & 정규화)과적합 : 모델이 학습 데이터의 패턴뿐만 아니라 노이즈(불필요한 정보)까지 통째로 외워버린 상태.현상 : 학습 데이터에 대한 Loss는 계속 떨어지는데, 검증(Validation) 데이터에 대한 L

딥러닝 기초 4일차 정리!데이터 맞춤형 구조 (CNN & RNN),모든 데이터를 MLP로만 해결할수 있을까? 딥러닝의 진정한 강점은 데이터의 특성에 맞춰행렬곱의 구조를 커스터마이즈 할수 있다는 점!이미지는 인접한 픽셀 간의 관계가 중요함. 이를 위해 탄생한 것이 합성곱

딥러닝 기초 5일차 정리전이학습과 AI 개발자의 길!모든 모델을 처음부터(From Scratch) 학습시키는 것은 비효율적임. 대규모 데이터로 이미 학습된 모델의 '지식'을 빌려오는 것이 핵심임.Pretrained Model(사전 학습 모델) : Google이나 Met