머신러닝 썸네일형 리스트형 Content & Style Extraction 용어정의 요약 특징 추출방법 분석결과 출처 1. 용어정의 피드백 후 작성예정입니다. 2. 요약 본 내용에서는 학습된 네트워크 모델(VGG, ResNet 등)과 Loss functions을 이용해서 레이어 내부로부터 어떤 특징을 추출하고 활용할 수 있는지 확인할 수 있다. (해당코드는 코드구현 카테고리에 업로드 예정입니다.) 3. 특징 추출방법 학습된 모델을 VGG19를 로드하여 추출할 대상이미지를 정하고, 입력이미지에 대해서 Loss function이 최소화하도록 만들어주어 추출한 특징을 시각화하였다. 여기서 VGG19 모델에서 특징을 추출하는 부분은 총 5개의 블록으로 구성되는데, "conv1_1, conv2_1, conv3_1, conv4_1, conv5_1" 에서 차례로 연산된 특징맵을.. 더보기 코세라 Machine Learning 수료 코세라에서 가장 유명한 온라인강의 중 하나인 "Machine Learning" 강의는 세계적 AI분야의 대가인 Andrew Ng 교수님이 머신러닝에 대해 설명해주는 강의이다. 이 강의는 Specialization이 아닌 단일코스로 진행되며 총 11주정도의 학습내용으로 구성되어 있다. 2-9주차까지는 Matlab/Octave 툴을 사용하여 직접 코드를 구현하는 과제가 주어지며, 문제퀄리티가 강의에서 다루고 있는 내용을 조금더 확실히 이해하는데 큰 도움이 될만큼 좋았다. 강의에서 다루고 있는 머신러닝 관련된 내용은 아래와 같다. Linear Regression Logistic Regression Regularization Neural Networks - Represent.. 더보기 Partial Convolution based Padding 용어정의 요약 연구배경 우수성 학습방법 Partial Convolution Partial Convolution based Padding Case of Big Padding size 결과분석 Running time Task 1: Image classification network Task 2: Semantic segmentation network 결론 출처 1. 용어정의 피드백 후 작성예정입니다. 2. 요약 2-1. 연구배경 콘볼루션 연산은 슬라이딩되는 연산필터의 크기가 이미지의 크기와 정확히 일치하지 않을 경우에 패 (Padding)을 필요로 하고, 이때 사용되는 패딩 기법은 아래와 같이 크게 3가지로 나뉜다. Zero padding : 가장자리 패딩영역을 0으로 채움 Reflection p.. 더보기 Deep Convolutional Generative Adversarial Nets(DCGANs) 용어정의 요약 학습방법 결과분석 Memorization Vector Arithmetic 결론 출처 1. 용어정의 피드백 후 작성예정입니다. 2. 요약 초기 GAN 모델은 학습 시 재현성부분에서 한계가 있다. 즉, GAN에서는 생성모델인 Generator가 "매번 같은 학습방식에서도 비슷한 수준의 성능을 가진 데이터를 생성해낼 수 있느냐"에 대한 부분을 보장할 수 없었다. 이 부분과 연관하여 학습과정에서 오히려 실제 데이터의 분포를 따라가지 못하고 학습이 전혀되지 않는 Model Collapsing 현상도 존재하였다. DCGAN에서는 이러한 한계를 개선하고자 하였는데, 이름에서 알다시피 Fully Connected Layer를 Convolution Layer 로 대체하였고, Batch Norm.. 더보기 Generative Adversarial Nets(GAN) 용어정의 요약 학습방법 결과 출처 1. 용어정의 피드백 후 작성예정입니다. 2. 요약 Generative Adversarial Nets(GAN)은 실제데이터를 통해 모조데이터를 생성하는 Generative model (Generator) 과 이 두 가지 데이터를 구별하는 Discriminative model(Discriminator)로 구성된다. 그리고 충분히 학습된 Generator 가 생성한 데이터를 Discriminator가 실제데이터와 구분할 수 없도록 만드는 것이 연구목표이다. 3. 학습방법 우선 Generator(G)에서 생성된 Noise z (Latent sample)을 이용해서 모조데이터 생성하고, Discriminative model(Discriminator, D)이 모조데이.. 더보기 5. Surprise 라이브러리를 이용한 추천시스템 개발 용어정의 Surprise 패키지 소개 Surprise 주요 모듈 OS 파일데이터를 Surprise 데이터셋으로 로딩 Pandas Dataframe 을 Surprise 데이터셋으로 로딩 Surprise 추천 알고리즘 클래스 베이스라인 평점 교차검증과 하이퍼 파라미터 튜닝 Surprise 를 이용한 개인화 영화 추천시스템 개발 1. 용어정의 피드백 후 작성예정입니다. MovieLens 데이터셋은 데이터셋 자료실 에 있습니다. 2. Surprise 패키지 소개 파이썬 기반의 추천 시스템 구축을 위한 전용 패키지 중 하나인 Surprise 는 파이썬 기반에서 사이킷런과 유사한 API 와 프레임워크를 제공하여, 추천 시스템의 전반적인 알고리즘을 이해하고 사이킷런 사용경험이 있으면 쉽게 사용할 수 있다.. 더보기 코세라 머신러닝 case study 수료 코세라에서 제공하는 "Machine Learning Foundations" 강의를 이수하였다. 이번 강의는 개론 수준에서 머신러닝이 활용되는 대표적인 5가지 분야에 대해 알려준다. 각각은 Regression, Classification, Clustering, Recommendation, Deep Learing(Image Recognition) 이며, 분야별 Case Study는 다음과 같다. 집값예측하기 긍정/부정적 감정 분석하기 위키피디아 문서를 활용하여 유사한 인물들 찾기 개인화된 노래추천하기 고전 머신러닝을 활용한 이미지 분류와 딥러닝을 활용한 이미지분류 성능 비교해보기 딥러닝을 활용하여 유사한 이.. 더보기 4. 행렬 분해를 이용한 잠재요인 협업 필터링 용어정의 행렬 분해의 이해 확률적 경사하강법(SGD)를 이용한 행렬 분해 확률적 경사하강법(SGD) 활용예제 행렬 분해를 이용한 개인화 영화 추천시스템 개발 1. 용어정의 피드백 후 작성예정입니다. MovieLens 데이터셋은 데이터셋 자료실 에 있습니다 2. 행렬 분해의 이해 행렬 분해는 다차원 매트릭스를 저차원 매트릭스로 분해하는 기법으로 대표적으로 SVD(Singular Value Decomposition), NMF(Non-Negative Matrix Factorization) 등이 있습니다. 즉, M개의 사용자(User) 행과 N개의 아이템(Item) 열을 가진 평점 행렬 R은 M X N 차원으로 구성되며, 행렬 분해를 통해 사용자-K 차원의 잠재 요인 행렬 P (M X K 차원)와 .. 더보기 이전 1 2 3 4 5 ··· 8 다음
