생성 모델을 학습한다는 것은 그럴듯한 이미지나 문장을 만드는 것으로 생각할 수 있다하지만 단순히 Generative model의 전부가 아니고 다양한 것을 할 수 있다.어떠한 강아지 이미지가 주어졌다고 가정했을 때아래는 generative model이 했으면 하는 혹은

문장은 항상 길이가 달라질 수 있으며 어순이나 바뀌거나 단어가 빠지는 문제들이 있기 때문에 모델링하기가 어렵다.이러한 문제들을 해결하고자 Transformer self attention이라는 구조를 사용한다RNN은 재귀적인 구조인데, transform은 재귀적인 구조가

sqeuntial data를 처리하는데 있어서 가장 큰 어려움은 우리가 결국 얻고 싶은 것은 하나의 label 혹은 정보인데, sequential data는 길이를 알 수 없으므로, 받아들여야 하는 입력의 차원을 알 수 없는 것이다. input의 입력을 알 수 없으므로

이전에 배웠던 ResNet, DensNet, GoogleNet 등 이러한 네트워크가 이미지 분류만에만 사용되지 않고, Semantic Segmentation 과 Object Detection 에도 사용되었다.Semantic Segmentation이미지 안의 모든 객체를

AlexNet그 당시에 GPU가 부족했기 때문에, 최대한 파라미터를 집어넣기 위해 네트워크를 두 개로 나누어서 사용11 x 11 filter를 사용하게 되면 하나의 하나의 conv kernel이 볼 수 있는 영역은 커지지만 상대적으로 더 많은 파라미터가 필요가 되기 때

ConvolutionPadding과, Stride 를 고려하지 않은 기본적인 Convolution적용하는 Filter의 모양에 따라 convolution output이 Blur, 강조하거나(emboss), 외곽선(outline)만 나타낼 수 있다RGB Image Co

최적화를 진행하면서 여러가지 용어가 등장하는데, 정확하게 정의를 짚고 넘어가지 않으면 여러 오해가 생길 수 있다.이번 강의에서는 여러 용어들에 대해서 명확한 의미를 이해하고 넘어가는 것이 중요!Generalization일반화 성능을 높이는 것이 목적학습을 시키게 되면

인공신경망도 시작은 인간의 뇌를 모방하여 신경망의 형태를 나타내었지만, 꼭 항상 사람이나 동물의 뇌를 모방할 필요는 없다.지금의 딥러닝 혹은 인공신경망이 ‘인간의 뇌를 모방하기 때문에 잘 작동한다’ 라는 해석보다는 이 모델이 왜 잘 작동하는지 수학적으로 분석하는 것이

Missingno결측치를 체크하는 시각화 라이브러리빠르게 결측치의 분포를 확인하고 싶을 때 사용결측치를 matrix로 나타내어 흰 부분으로 표시Waffle Chart와플 형태로 discrete하게 값을 나타내는 차트pie 차트와 기능이 유사하며 전체적으로 데이터의 비율

Pie Chart많이 사용되는 차트이지만, 비교하기 어렵고, 유용성이 떨어지기 때문에 지양하는 차트사용을 꼭 하고 싶다면 함께 사용할 것을 권장Pie plot은 값에 대한 비교가 어렵지만, bar plot은 값에 대한 비교가 쉬우므로 적재적소에 잘 사용하면 될 것 같다

Polar Plot극 좌표계를 사용하는 시각화중심의 거리 r과 거리에서 각도 $\\theta$를 사용하여 시각화회전, 주기성 등을 표현하기에 적합하다단순하게 plot에 projection = polar을 추가하거나 polar=True를 사용하여 scatter,bar,l