jjinyeok 성장일지

이전 정리에서는 CNN의 전반적인 개요와 Convolution과 Pooling Layer에 대해 정리했다. 이번 정리는 좀 더 코드 위주로 CNN의 적용을 통해 정리하고자 한다. 다만 CNN은 ANN과 같이 하나의 기법이다. 단지 Feature Map을 활용해 공간 구조를 반영한다는 점에서 차이가 있다. 따라서 CNN 모델은 정해져 있는 것이 아니고 개발자가 임의로 Convolution Layer와 Pooling Layer를 쌓아 Feature Map을 만들고 만들어진 Feature Map을 Neural Network를 통해 출력한다. 이때 다른 Weight와 같이 Filter도 학습된다. 이런 구조를 이해하고시작하도록 하자. 1. CNN으로 Fashion MNIST 데이터 Classification 문..

시각지능 딥러닝에서는 Convolution Neural Network(CNN) 모델과 Object Detection 모델 두가지를 소개하고 실습한다. 1. Batch Normalization & Drop Out 시각지능 딥러닝에 본격적으로 들어가기에 앞서 Batch Noramilzation과 Dropout에 대해 간단히 다루었다. Batch Noramilzation이란 각 Hidden Layer의 Activation 값을 적절하게 퍼뜨리도록 강제화하는 작업이다. 학습을 빠르게 진행할 수 있고 가중치의 초기값에 크게 의존하지 않게 되며 Overfitting을 억제한다. 각 Hidden Layer 층 다음에 Batch Noramilzation Layer를 쌓는 방식으로 적용할 수 있다. 대부분의 경우 Bat..

1. 왜 딥러닝인가? 지금까지 머신러닝을 배웠다. 지금까지 배웠던 머신러닝의 과정에서 Feature를 추출하고 모델에 적용하는 과정에서 사람은 Feature의 선택과 가공을 조절하게 된다. 즉 지금까지 배웠던 과정에서 Feature Engineering은 필수적이다. 그러나 딥러닝을 이용한 모델은 사람이 Feature를 직접 조절하고 선택하지 않는다. 모델이 직접 Feature를 조절하고 선택한다. 사람은 단지 Node의 개수를 통해 Feature의 양과 Layer 개수를 통해 Feature의 수준만 조절한다. 딥러닝을 이용하면 사람이 보지 못했던 Feature를 파악할 수 있다. 따라서 이미지와 자연어와 같은 잘 정제되지 않은 데이터에서 딥러닝 모델을 사용하는 것이 유리하다. 2. Fashion MNI..

이전 정리에서 Tensorflow와 Keras 문법을 배우고 Tensorflow와 Keras를 통한 머신러닝 과정을 진행했다. 이번엔 이것들을 사용한 딥러닝 과정을 정리하겠다. 딥러닝은 이전 정리에서 중간 Hidden Layer를 쌓는 과정이 추가된다. 1. ANN (Artificial Neural Network) 앞선 Tensorflow와 Keras를 통한 머신러닝 모델에서 Hidden Layer(은닉층)을 추가한다면 간단한 딥러닝 모델을 만들 수 있다. 이를 ANN (Artificial Neural Network) 또는 MLP (Multi Layer Perceptron)라고 한다. Sequential 스타일의 코드에서 Hidden Layer가 2개 추가된 모델의 구현은 다음과 같다. 참고로 이전 정리..

이전 과정 AI 모델 해석 및 평가 과정에서 정말 배운것이 많고 인사이트를 보는 능력을 키울 수 있었지만 자소서 쓰는 시간이 오래 걸려 AI 모델 해석 및 평가 강의를 정리하지 못했다. 그러나 딥러닝 강의 이후 시각 지능 딥러닝과 언어 지능 딥러닝을 배우기 때문에 딥러닝을 먼저 정리해야 할 것 같다. 딥러닝을 정리하고 자소서 시즌이 끝나 시간이 조금 날 때 AI 모델 해석 및 평가 강의를 정리하겠다. 1. Linear Regression을 통한 딥러닝 Linear Regression은 Regression문제를 해결하기 위한 모델로 결과적으로 y = w1 * x1 + w2 * x2 + w3 * x3 + w0와 같은 수식이 만들어진다. 이를 뉴럴 네트워크 구조로 만든다면 다음과 같다. 이때 x1, x2, x..

지금까지 Linear Regression, Logistic Regression, KNN, Decision Tree, SVM 등 하나의 모델을 사용해 모델링을 진행했다. 이제부터 Ensemble이라는 기법을 사용해 여러 모델을 종합 판단하는 방법을 정리하겠다. 앙상블은 크게 Bagging, Boosting, Stacking으로 나뉘어지지만 강의에서는 Bagging, Boosting만을 다루었기에 두개만 정리하고 Stacking은 나중에 혼자 공부해서 정리해보겠다. 1. Bagging Bagging의 과정은 다음과 같다. 먼저 Train Data를 기준으로 복원추출을 통해 Bootstrap Sample들을 여러개 만든다. 즉 하나의 Train Data를 통해 Train Set이 여러 개인 양 만드는 것이다...