# AI
AI study - 머신러닝
0. 머신러닝이란 무엇인가? 머신러닝이란 빅데이터를 분석하고 가공하여 새로운 정보를 얻어내는 AI의 한 분야로, 외부에서 주어진 데이터를 클라우드 컴퓨터가 학습 모형을 기반으로 스스로 분석하여 학습하는 것을 의미한다. > # 1. 전통적인 방법 위는 AI가 크게 발전하기 전에 사용되었던 "전통적인" 방법 중 하나의 코드이다. 하지만 이는 특정한 기준을 정하기 힘들다는 단점이 있다. 예를 들어 하루 학교에서 보내는 시간이 12시간이 자취, 통학생들이 존재하기도 하고, 그 반대 또한 존재한다. 그러기에 모호한 기준이 필요 없고 스스로 데이터를 분석하는 AI 기술이 각광받는 것이다. > # 2. 머신러닝 * 2-1 데이터 리스트 및 산점도* 위 코드를 실행하게 되면 산점도(scatter plot)라는 기숙사생이 학교에 있는 시간을 X축으로, 각 기숙사생의 학번을 Y축으로 가지는 그래프를 볼 수 있는데, 이는 위 데이터를 한 눈에 볼 수 있고, 2학년, 3학
AI 부트캠프 | Week 10-2) (#분류, #회귀, #분류 평가지표, # 주요 머신러닝 모델, #하이퍼파라미터 최적화)
1. 분류와 회귀 예측하려는 타깃값이 범주형 데이터면 분류 문제, 수치형 데이터면 회귀 문제 1-1) 분류 >* 주어진 피처에 따라 어떤 대상을 정해진(유한한) 범주(타깃값)에 구분해 넣는 작업 (ex. 개와 고양이 구분, 스팸메일과 일반 메일 구분, 질병 검사 결과가 양성인지 음성인지 등) → 타깃값이 두 개 분류는 이진분류, 세 개 이상 분류는 다중분류 1-2) 회귀 >* 자연현상이나 사회 현상에서 변수 사이 관계 (ex. 학습 시간이 시험 성적에 미치는 영향, 수면의 질이 건강에 미치는 영향, 공장의 재고 수준이 회사 이익에 미치는 영향 등) → 영향을 미치는 변수를 독립변수, 영향을 받는 변수를 종속변수 >* 회귀 : 독립변수와 종속변수 간 관계를 모델링 하는 방법 → 독립변수 X, 종속변수 Y(단순 선형 회귀)  (#Git 사용법(2))
* 본 내용은 패스트캠퍼스 AI 부트캠프 6기 과정 최우영 강사님의 프로젝트 협업을 위한 GitHub 강의를 바탕으로 작성되었습니다. 협업하기
슬라임이 되어가는 중
코테, git , ml 이 순식간에 지나가고 있는데요. 몸상태가 아주 엉망진창입니다. 코테랑 git 은 어느 정도 알지만 건강이 훅가서 그런지 집중력이 박살이 났더라구요. 주변 분들은 모두 열심히 하시는데 쳐지는 느낌이구요. 커리큘럼이 생각보다 빡빡하니 힘드네용 허허. 공부한거도 쓰고 싶긴한데 머리 속에 넣기만 해도 깝깝하네요 ㅠㅠ
[ImageBind 논문 리뷰](One Embedding Space To Bind Them ALL)
ImageBind 1. 논문이 다루는 Task Task: Emergent Zero-Shot Classification, Retrieval Input: Text, Image, Depth, Video, Audio, Therma, IMU, Depth Output: Retrieval, Text, Image Emergent Zero-Shot Classification : Pair가 없는 데이터 셋에 대하여 통합적인 Embedding Space를 통한 분류 2. 기존 연구 한계 *A single image can bind together many experiences – an image of a beach can
2. Pandas 정리
딥러닝을 위한 Pandas 문법 Dataframe 2차원 테이블 구조를 가진 자료형 딕셔너리 활용, 리스트 활용, csv 파일 활용하여 생성 가능함 df = pd.read_csv(파라미터) 딕셔너리 형태 a, b, c가 각각 열을 가르킴 리스트 형태 a, b, c가 각각 행을 가르킴 csv 형태 Dataframe 함수 head, tail, shape, columns, info, describe, dtype loc => 이름/라벨을 기준으로 사용 iloc => 행 번호(인덱스)를 기준으로 사용 기본적인 대괄호는 col을 가지고 오지만, slicing은 row를 가지고 온다. head 기본적으로 5개 데이터 가져옴 tail shape columns 데이터프레임의 column 반환 info describe dtype
1. Python 정리
딥러닝을 위한 Python 기본 문법 Indexing 특정한 값을 뽑아냄 x[번호] x[-1]은 리스트의 마지막 요소를 가져 옴 Slicing 한 문자 or 단어를 뽑아냄 x[시작번호:끝번호-1] 끝번호 생략 시, x[시작번호:끝번호] x[:] 형태인 경우, x[시작번호:끝번호] List 순서대로 정리된 항목들을 담는 구조 (반복적 처리에 특화됨) x[1, 2] x = list(range(1, 10, 2)) => [1, 3, 5, 7, 9] List 관련 함수 append(요소) insert(인덱스, 요소) => 원하는 인덱스에 원하는 요소 추가 extend => 리스트1에 리스트2를 연결 list1+list2 => 리스트1에 리스트2를 연결 remove(요소) => 특정한 '값'을 제거 count(요소) => 원하는 요소 값의 갯수 출력 sort => 오름차순 정렬 (revers
AI 체스 봇 개발 일지(5일차)
체스 봇 개발 일지 4일차 2023 09 24 지난번까지 추가 기능인 캐슬링과, 승진을 만들었다. 이번에는 체스에 매우 중요한 역할을 하는 체크 기능을 만들 것이다. 정확히 말하자면 체크 상황에 체크라고 멘트를 해주는 기능을 만들 것이다. 1. 체크란 체크는 체스의 아주 기본적인 룰이다. 체크란 킹이 공격받는 경우를 체크라고 한다. 2. 구현 일단 각 팀의 왕의 좌표를 저장해 줄 변수인 bkx(검은색 킹 x좌표), bky (검은색 킹 y좌표), wkx(흰색 킹 x좌표), wky(흰색 킹 y좌표)를 만들어준다. 그리고 킹이 이동할 때마다 이 변수들의 값을 계속 바꿔준다. 또 위와 같이 이동 또는 공격은 하지 않지만 이동, 공격이 가능한지 확인만 해주는 함수를 만들었다. 이동이 가능하면 1을 리턴하고, 공격이 가능하면 2를 리턴하고 다 불가능하면 0을 리턴한다. 위의 함수는 폰이 이동, 공격이 가능한지 확인해 주는 함수인
AI 체스 봇 개발 일지(4일차)
체스 봇 개발 일지 4일차 2023 09 18 지난번에는 캐슬링이라는 특수 규칙을 만들었다. 이번에는 승진이라는 기능을 구현 할 것이다. 1. 승진이란 체스에서 승진이란 간단하다. 폰이 앞으로 전진하다가 8번째 행에 도달했거나 상대기물을 잡으면서 8번째 행에 도달한 경우 퀸/룩/비숍/나이트로 승진을 할 수 있다는 규칙이다. 단 폰으로 그대로 남는것은 불가능하다. 2. 구현 일단 승진 할때 멘트를 출력해주고, 무슨 기물로 승진을 할지 키보드 입력을 받는 promote 라는 함수를 만들었다. 키보드의 입력을 스위치 문으로 나누어 리턴을 해주었다. 위의 코드를 폰 함수에 만들어두어 만약 도착지가 8번째 행이고 이동을 성공했으면 promote 함수의 리턴값을 res라는 변수에 저장해주었다. 그리고 res의 값에 따라 폰을 다른 기물로 승진시키는 코드를 만들었다. 위의 코드는 하얀색 폰일때 코드이다.
AI Study[DataFrame]
코드링크 DataFrame이란? pd.DataFrame은 Python 프로그래밍 언어의 데이터 분석 라이브러리인 pandas에서 제공하는 중요한 데이터 구조 중 하나다. pd.DataFrame은 표 형태의 데이터를 저장하고 조작하는데 사용되며, 행과 열로 이루어진 2차원 데이터 구조를 나타낸다. pd.DataFrame은 다양한 데이터 유형(숫자, 문자열, 날짜 등)을 포함하는 데이터를 저장할 수 있으며, 각 열은 서로 다른 유형의 데이터를 가질 수 있다. 이러한 유연성은 데이터 분석 및 조작 작업을 수행하는데 매우 유용하다. 
AI Study[Pandas, Series]
코드링크 pandas 기본 연산 pandas란? > Pandas는 데이터 분석 및 조작을 위한 Python 라이브러리로, 인공 지능 (AI) 및 머신 러닝 (ML) 프로젝트에서 다양한 이유로 사용된다. Pandas를 AI 프로젝트에서 사용하는 주요 이유는 다음과 같다: 데이터 전처리: AI 모델을 학습시키기 전에 데이터를 처리하고 정리해야 한다. Pandas는 데이터를 로드하고, 결측치를 처리하며, 이상치를 검출하고, 데이터를 정규화하고, 특징 엔지니어링을 수행하는 데 유용한 도구를 제공한다. 데이터 시각화: Pandas는 데이터를 시각적으로 탐색하고 이해하기 위한 기능을 제공한다. Matplotlib, Seaborn과 같은 시각화 라이브러리와 함께 사용하여 데이터 분포, 상관 관계, 트렌드 등을 시각화하고 시각적 인사이트를 얻을 수 있다. 데이터 조작 및 필터링: Pandas는 데이터를
[TIL] Unity - AI Navigation - day 51
🐧 들어가기 앞서 개인 과제가 끝났다. 최대한 노력했지만 결과물이 영 만족스럽지 않아서 아쉽다. 객체와 스크립트 간 연결하는 부분을 더 연습해야겠다. 어떻게 하면 객체가 원하는 로직을 가지고 있을지 스크립트로 구현하는 연습이 필요한 것 같다. 🐧 오늘 배운 것 3D 강의를 완강했는데, 가장 신기한 부분은 AI Navigation이다! 🐧 기억할 것 & 진행 개인 과제 상점을 눌러서 돈을 빠지게 하고 싶었는데, 처리해야할 Null이 많아서, 시간에 쫒겨 포기했다. 처리해야할 문제가 많다는 것은 기능을 너무 많이 추가했음을 의미한다.(구성을 잘못함) 다음에는 로직을 우선 생각하고 제작하자. > https://github.com/Munch310/Pe
[인공지능] [딥러닝] 모델 fit()과 Hyper Parameter , Accuracy , loss 그래프
딥러닝의 모델 학습 및 학습과정 그래프에 대한 설명 >목차 >>1. fit() >> 2. parameter 종류 소개(batch_size, epochs, verbose, callback, validation) >>3. loss, accuracy / valloss, valaccuracy 그래프 fit() fit()은 model이라는 변수에 저장한 모델을 학습시키는 함수이다. model을 정의 model의 input, hidden, output layer를 설정 model 컴파일(compile) mo
🔥 논문 리뷰 - EfficientNet
EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks efficientnet.pdf Abstract 모델의 성능과 효율성을 균형있게 조정하기 위해 네트워크의 규모(scale)를 조절하는 방법을 제시 → Compound Scaling Introduction 이전엔 ConvNet을 scale up 할 떄 depth or width
인공지능(AI) 업계 동향_9월3주차
👀 간추린 업계 동향 방송인 목소리·말투 재현한 AI채팅 서비스 '민트톡' 출시 SKB, AI기술로 지역채널 뉴스 경쟁력 강화 나서 문체부·콘진원 '스튜디오 M' 개관,2025년 버추얼 스튜디오 구축 오픈AI, 내달 '달리3' 출시 어도비, Gen스튜디오 출시 "생성형AI로 기업 콘텐츠 공급망 혁신" 방송인 목소리·말투 재현한 AI채팅 서비스 출시 엔터테인먼트 AI(인공지능)기업 배리어브레이커스가 20일 유튜버 겸 방송인 '덱스'의 AI채팅 서비스를 공개했다. 이번 서비스는 배리어브레이커스가 만든 생성AI 기술을 활용한 채팅서비스 '민트톡'으로 개발됐다. 민트톡은 배리어브레이커스가 자체 개발한 AI언어모델이 크리에이터의 말투, 취미, 행동 패턴, 스타일 등을 학습해 아티
CNN(Convolutional Neural Networks)
컨벌루션 신경망(Convolutional Neural Network, CNN)은 주로 이미지 분석 및 컴퓨터 비전 작업에 사용되는 딥러닝 방식 중 하나이다. > 특히 이미지 처리에 탁월한 성능을 보인다. CNN의 탄생 인공신경망의 기본 구조로 이미지를 분석하기 위해선 1차원 형태로의 변환(Flatten)이 필요하고 그에 따라 한계점이 발생했다. 인접 정보의 소실 이미지 크기가 커짐에 따라 모델의 크기가 기하급수적으로 증가 이로 인해 생체 신경망의 계층적 시각 정보 처리방식을 모방한 CNN이 탄생되었다. 생체 신경망(뉴런)의 특징 > 뉴런은 아주 좁은 영역의 자극에 반응한다. > 뉴런마다 각기 다른 모양의 특징을 인식하도록 뉴런의 역할이 나뉜다. > 뉴런은 계층 구조를
과잉적합&과소적합
과잉적합? 과소적합? 과잉적합(Overfitting)과 과소적합(Underfitting)은 머신러닝 및 딥러닝 모델을 평가하고 최적화하는 과정에서 중요한 개념이다. 과잉적합 > 지나치게 훈련 데이터에 특화돼 실제 적용 시 좋지 못한 결과가 나오는 것 자세하게는 모델이 훈련 데이터에 너무 맞춰져서 훈련 데이터에 대한 예측은 잘 수행하지만, 새로운 데이터나 검증 데이터 또는 테스트 데이터에 대한 예측 능력이 떨어지는 상황을 말한다. 과잉 적합을 아는 방법 > 훈련 데이터의 손실값은 계속 감소하는데, 검증 데이터의 손실값은 증가하는 경우, 과잉 적합이다. 
DNN(deep neural networks)
WHAT IS DNN? > MLP(다층 퍼셉트론)에서 은닉층의 개수를 증가시킨 것이다. > 은닉층을 하나만 사용하는 것이 아니고 여러 개를 사용한다. 은닉층들의 역할 > 여러 개의 은닉층 중에서 앞단은 경계선(에지)과 같은 저급 특징들을 추출하고, 뒷단은 코너와 같은 고급 특징들을 추출한다. MLP vs DNN DNN의 문제점
AI를 위한 통계(통계적 추정 및 검정)
1-1. 통계적 추정 1-2. 통계적 추정 - 기준 1-3. 통계적 추정 - 점추정 1-4. 통계적 추정 - 구간추정 
1-1. 이산확률분포 - 이항분포 1-2. 이산확률분포 - 포아송분포 2-1. 연속확률분포 - Uniform Distribution ![](https://velog.velcdn.com/images/albert0811/post/331edac2-7ee7-4b2d-980e-d5f7a38cc0ee/imag