😊인공지능, 머신러닝, 딥러닝의 역사를 알아보자!인공지능: 보통의 사람이 수행하는 지능적인 작업을 자동화하기 위한 연구 활동머신러닝: 명시적으로 프로그램 되는 것이 아니라 훈련 되는 것. 어떤 작업과 관련 있는 많은 샘플을 제공하면 이 데이터에서 통계적 구조를 찾아
딥러닝의 구조 층 : 신경망의 핵심 구성 요소, 데이터를 위한 필터(filter) 옵티마이저(optimizer) : 성능을 향상시키기 위해 입력된 데이터를 기반으로 모델을 업데이트 하는 메커니즘 손실 함수(loss function) : 훈련 데이터에서 모델의 성능을 측
신경망 훈련에는 다음과 같은 요소들이 필요합니다.네트워크(혹은 모델)을 구성하는 층입력 데이터와 이에 상응하는 타깃학습에 사용할 피드백 신호를 정의하는 손실 함수학습 진행 방식을 결정하는 옵티마이저(optimizer)이들이 어떻게 상호작용 하는지 아래 이미지에서 확인할
4장 : 신경망 시작하기 - 분류와 회귀 영화 리뷰 분류 : 이진 분류 문제 Dense 층을 쌓을 때 두가지 중요한 구조상의 결정이 필요하다. 얼마나 많은 층을 쌓을 것인가? 각 층에 얼마나 많은 유닛을 둘 것인가? 필자의 말에 따라서 현재는 16개의 유닛을 가진
머신러닝의 기본 요소에 대해 알아보자 ! 최적화 (optimization) : 가능한 훈련 데이터에서 최고의 성능을 얻으려고 모델을 조정하는 과정 일반화 (generalization) : 훈련된 모델이 이전에 본 적 없는 데이터에서 얼마나 잘 수행되는지 의미한다. >
머신러닝의 일반적인 워크플로는 크게 세 부분으로 구성된다.작업 정의 : 문제 영역과 고객의 요청 이면에 있는 비즈니스 로직을 이해한다. 데이터를수집하고, 데이터가 드러내는 내용을 이해하고, 작업의 성공을 측정하는 방법을 선택한다.모델 개발 : 머신 러닝 모델로 처리할
케라스에서 모델을 만드는 API는 세가지입니다.Sequential 모델 : 가장 시작하기 쉬운 API, 기본적으로 하나의 파이썬 리스트이며, 단순히 층을 쌓을 수만 있다.함수형 API : 그래프같은 모델 구조를 주로 다룬다. 사용성과 유용성 사이 적절한 중간 지점에 위
간단한 CNN 구조를 함수형 API로 구현한 모델을 봅시다.여기서 모델의 summary method를 출력해보면Conv2D와 MaxPooling2D의 층의 출력은 (height, weight, channels)크기의 랭크-3 텐서이고, 여기서 채널(층)의 수는 첫번째
이미지 분류 : 이미지에 하나 이상의 레이블을 할당 하는 것이 목표 !단일 레이블 분류이거나 다중 레이블 분류일 수 있다.이미지 분할 : 이미지를 다른 영역으로 나누거나 분할하는 것이 목표 !각 영역은 일반적으로 하나의 범주를 나타낸다. 이미지 분할 모델을 사용하여 픽
🧭 시계열을 위한 딥러닝 1️⃣ 다양한 종류의 시계열 작업 > ### 시계열이란? 시계열 데이터는 일정한 간격으로 측정하여 얻은 모든 데이터를 말한다. (예를 들어 주식의 일별 가격, 도시의 시간별 전력 소모량, 상점 주간별 판매량 등..) 지금까지 보았던 데이터와
한국어나 영어 같은 사람의 언어를 어셈블리어, LISP, XML 과 같은 기계를 위해 고안된 언어와 구별하기 위해 자연어(natural language)라고 부른다.자연어는 복잡하고, 모호하고, 불규칙하고, 끊임없이 변화한다. 자연어를 이해할 수 있는 알고리즘을 만드는
텍스트를 위한 딥러닝(제 2탄) 🗣️ 트랜스포머 아키텍처 도입부 2017년부터 새로운 모델 아키텍처인 트랜스포머(transformer)가 대부분의 자연어 처리 작업에 순환 신경망을 앞지르기 시작하였다. 트랜스포머는 순환층이나 합성곱 층을 사용하지 않고 '뉴럴 어텐
생성 모델을 위한 딥러닝 > 지금까지 학습해온 딥러닝을, 예술 창작에 어떻게 쓰일 수 있는지 다양한 각도에서 살펴보자. 텍스트 생성 시퀀스 데이터 생성하기 순환 신경망으로 시퀀스 데이터를 생성하는 방법을 알아보자. 딥러닝에서 시퀀스 데이터를 생성하는 일반적인 방법은