Machine Learning
1.[ML] Bias와 Variance
f(x) : 입력 데이터 x에 대하여 실제 정답에 해당하는 값 => 그림에서의 빨간 점f^(x) : 머신러닝 모델에 입력 데이터 x를 넣었을 때, 모델이 출력하는 예측 값 이 값은 모델의 상태(파라미터 값)에 따라 다양한 값들을 출력할 수 있음 => 그림에서의 파란 점
2.Human-level Performance
Deep Learning의 발전으로 컴퓨터 성능이 인간의 성능과 견주어도 지지 않을 정도로 실효성이 입증 되었고, 이에 따라 사람과 컴퓨터간의 비교 연구가 진행되었따.위 그래프는 시간에 따라 사람과 컴퓨터의 정확도 추이를 나타낸 것인데, 인간의 수준을 넘은 시점 부터는
3.머신러닝과 통계적 방법의 차이
머신러닝. 기계학습을 공부하고 이를 이해하기 위해서는 기본적인 통계를 공부하게 된다. 나는 일련의 과정을 거치면서 머신러닝이 통계이고 통계가 머신러닝이라고 생각했다. 일전에 머신러닝 엔지니어 필수 질문에서 '통계적 방법과 머신러닝의 차이는?' 이라는 question을
4.Sequence Model : Recurrent Neural Networks
coursera Sequence Model 1주차 Recurrent Neural Networks Quiz 1차 70/100 
매우 복잡한 기능을 학습하는 경우 RNN의 여러 계층을 함께 쌓아 딥러닝 모델을 구현하는 것이 효과적일 수 있다.표준 신경망에는 입력값 x가 있고 어떤 은닉층에 쌓여 있고 첫 번째 은닉층에 활성화 a_1가 있고 a_2로 다른 층으로 a_3이 쌓이면서 y^(y hat)이
6.AUC vs log loss/cross-entorpy(auc와 log loss의 차이점)
Instroduction AUC(Area Under the Curve)와 Log loss는 둘 다 분류 모델의 성능을 측정하는데 사용되는 지표이다. 해당 지표들은 각 다른 측면을 평가하는데, 해당 평가 지표를 공부할 때 둘의 차이점을 제대로 파악하지 못하고 있는 것
7.ONNX vs NNEF (AI 모델 직렬화 및 포맷 변환 기술, 컴파일러 및 시스템 최적화)
CatBoost 모델을 Tritron으로 서빙하기 위해서 모델을 변환해야 했는데, 그 때 알게된 ONNX에 대해 공부하다가 AI 모델 표준에 대해 찾게 됐다. 사실상 현재 ONNX가 AI 모델 표준으로 인정받고 있다고 하는데, 그 이전에 NNEF가 표준으로 제안된바
8.Deep Learning model output shape, parameter 개수 계산
가엽고 딱하게도 나는 어떤 태스크를 가지고 머신러닝 및 딥러닝 모델을 사용할 때, 가져다 쓰기만 했고, 어쨌든간 안에 있는 스트럭처를 제대로 이해해야 함을 은연중에 마음속에 품고만 있었다.이번 텐서플로우 자격증 시험을 준비하면서 시계열 그래프 예측을 위한 딥러닝 모델을
9.데이터의 종류(학습 데이터, 학습 개발 데이터, 개발 데이터, 테스트 데이터)
알고리즘에게 가용가능한 학습 데이터를 주는 측면에서, 학습 데이터를 두 개의 군으로 나눌 수 있는데하나는 (1) 실제 알고리즘이 학습을 수행할 학습 데이터 군, 다른 하나는 (2) 학습 개발(traing devel) 데이터이다.알고리즘을 학습하는 데이터를 분류함에 따라