아주 먼 옛날(1950년대쯤)... 컴퓨터는 한창 발전하던 시기였어요. 컴퓨터는 연구실이나 기관에서 다루어지고 있었는데요. 점점 기술이 발전하면서 복잡한 일들을 처리해가고 있었습니다. 단순한 사칙 연산에서 벗어나서 말이에요.이때까지만 해도 프로그래밍에는 변수, 함수 정

6-1. 파이썬 어디까지 써 봤니?! 파이썬의 성능과 한계 이 세상에 다양한 언어들이 존재하고 그 언어를 이용하여 각국의 사람들과 소통할 수 있는 것처럼, 다양한 프로그래밍 언어들을 이용해서 컴퓨터와 대화할 수 있습니다. 컴퓨터에게 명령을 내리고 결과를 받아 볼

여태까지의 예제에서는 f(x) = y에서 변수 x에 들아갈 수 있는 값으로 숫자(0, 1, 2, ...)와 문자열('Hi', 'Hello')를 사용했습니다.그러나 파이썬에는 숫자와 문자열 외에도 다양한 종류의 '값'들이 있으며, 이러한 종류 하나하나를 자료형(data

5-1. 함수와 변수 (1) 함수 호출하기 수학에서의 함수란 (아주 단순화하면) 입력값(input)에 대해 출력값(output)을 가지는 관계를 가리킵니다. f: x → y 또는 f(x) = y로 표기하는데, 여기서 f는 함수, x는 입력값, y는 출력값을 가리킵

4-1. 학습 목표 및 목차 학습 전제 협업 관리 툴을 다뤄본 적이 없다. Git과 GitHub에 대한 개념을 공부해본 적이 없다. GitHub을 이용해 소스코드의 버전 관리를 해 본 적이 없다. pip를 활용해 본 적은 있으나, Jupyter Notebook을 설

본 노드는 리눅스 기반 운영체제에 대해 모든 정보를 설명해주는 것보다, 직접 검색해서 이해할 수 있을 정도의 배경과, 어떤 것을 찾아볼지 키워드를 제공하는 것을 목표로 합니다. 따라서 충분히 이해가 되지 않는 부분은 직접 검색을 통해 자료를 찾아가며 보완할 것을 권장합

2-1. 위대한 첫 걸음 안녕하세요! 프로그래밍 첫 시간에 오신 것을 환영합니다. 🤗 오늘 우리는 앞으로 가장 많이 접하게 될 개발 환경에 대해 배워볼 예정입니다. 정말정말 중요한 날이라고 할 수 있죠! 가장 먼저, 우리가 다룰 개발 환경이 어떤 것인지 알고 가보겠습

틱톡이라는 앱 사용해 혹시 아시나요? 전 세계적으로 인기를 끌고 있는 애플리케이션이죠\~~지금까지 우리가 만들어온 얼굴인식 애플리케이션과 다르게 전신이 등장하는 것도 색다른 특징인데요!나만의 카메라 앱을 스노우와 같은 얼굴인식뿐만 아니라 더 넓은 범위로 사용할 수 있다

1. Dlib 얼굴 인식의 문제점 Face detection, 얼마나 작고 빨라질 수 있을까? Dlib 라이브러리를 이용해 Face Landmark를 찾아내서 이미지 속의 얼굴을 빠르고 정확히 인식하는 방법을 고안해 봤었지만 그것만으로는 충분치 않았었죠. Dlib

아래의 RetinaNet figure를 보시면 YOLOv2를 언급하면서 보통 figure에는 그려주지도 않는 신선함을 보여줍니다. "YOLO 이제 퇴물아니야?" 란 느낌을 풍기면서 말이죠\~~실제로 retinanet 성응이 YOLOv2보다 좋기도 했습니다.하지만 역시

1. 들어가며 OCR = Text detection + Text recognition 이번 시간에는 딥러닝 기반의 OCR이 어떻게 이뤄지는지 알아볼 시간입니다. OCR은 크게 문자 영역을 검출하는 Text detection과 검출된 영역의 문자를인식하는 Text r

1. 들어가며 이번 시간에는 CAM(Class Activation Map)을 얻기 위한 방법 중 기본 CAM과 Grad-CAM을 구현해보고 이를 시각화해 보겠습니다. 그리고 CAM을 활용해서 물체의 위치를 찾는 object detection을 수행하고 이를 정답 데이

지금까지 딥러닝 모델을 기반으로 이미지를 분류, 탐지하는 여러 가지 모델을 공부해 왔지만 모델이 잘 동작한다는 것을 확인하고 끝내기에는 궁금한 것들이 많습니다. 개와 고양이를 분류하는 딥러닝 모델을 만들었다고 합시다. 이 모델의 이미지의 어느 부분을 보고 개라는 결론을

https://github.com/wasidennis/AdaptSegNet이번 시간에는 Semantic Segmentation(시맨틱 세그멘테이션) 을 이용해서 자율주행차량이 주행해야 할 도로 영역을 찾는 상황을 가정하고 모델을 만들어보는 시간을 갖겠습니다.

7-1. 들어가며 출처 : https://ai.googleblog.com/2017/10/portrait-mode-on-pixel-2-and-pixel-2-xl.html 우리가 그동안 다뤄온 이미지 분류(image classification), 객체 인식(object

6-1. 들어가며 이번 시간에는 object detection 모델을 통해 주변에 다른 차나 사람이 가까이 있는지 확인한 후 멈출 수 있는 자율주행 시스템을 만들어 보겠습니다. 하지만 자율주행 시스템은 아직 완전하지 않기 때문에, 위험한 상황에서는 운전자가 직접 운전

이번 시간에는 augmentation 기법을 적용해 ResNet-50을 학습시켜 볼 시간이다. 텐서플로우의 랜덤 augmentation API를 사용해 보고, 최신 augmentation 기법을 익힌 뒤, 훈련 데이터셋의 augmentation 적용 여부에 따라 모델의

4-1. 들어가며 오늘은 augmentation 기법을 적용해 ResNet-50을 학습시켜 보는 시간이다. 텐서플로우의 랜덤 augmentation API를 사용해보고, 최신 augmentation 기법을 익힌 뒤, 훈련 데이터셋의 augmentation 적용 여부에

3-1. 들어가며 딥러닝 모델을 학습 시키기 위해서는 대량의 데이터를 확보하는 건 기본!! 대표적인 이미지 데이터셋인 이미지넷(ImageNet)은 약 1400만 장이나 되는 이미지를 갖고 있고, 분류 대상 클래스가 10개라 상대적으로 간단해 보이는 CIFAR-10도

2-1. 들어가며 딥러닝 논문에서는 다양한 방법들을 적용하며, 그 방법 적용 전후의 차이를 실험 결과로 보여준다. 이때 논문에는 어느 정도 구현 방법과 실험의 설정이 나와있으니, 하드웨어 자원을 엄청나게 필요로 하거나 특정한 데이터셋이 필요한 경우를 제외하면 어느 정