모두의 이야기 블로그

컴퓨터 비전 분야는 기존의 통계적 방법에서 딥러닝 신경망 방법으로 전환되고 있습니다. 비록 여전히 해결해야 할 많은 도전 과제가 존재하지만, 딥러닝 방법은 특정 문제에서 최첨단 결과를 달성하고 있습니다.

더미 변수(Dummy Variable) 는 범주형 데이터를 수치형 데이터로 변환하여 통계 분석 및 머신러닝 모델에 사용할 수 있게 하는 변수입니다. 더미 변수는 이진 변수로, 값이 0과 1로 할당되어 특정 범주에 속하는지를 나타냅니다.

완전 합성곱 네트워크 (Fully Convolutional Networks, FCN) 은 계층적 특징을 생성하는 기존 합성곱 네트워크를 개선한 모델입니다. 완전 합성곱 네트워크가 단독으로 학습되어, 픽셀 단위로 최첨단 의미론적 세분화 성능을 높입니다. 임의 크기의 입력을 받아 효율적인 추론 및 학습으로 대응하는 크기의 출력을 생성하는 "완전 합성곱" 네트워크를 구축합니다.

네트워크 인 네트워크 (Network In Network, NIN) 라는 새로운 깊은 네트워크 구조를 제안합니다. 이 구조는 수용 영역 (receptive field) 내의 로컬 패치 (local patch) 에 대한 모델의 판별력을 향상시키기 위해 고안되었습니다.

테스트 타임 증강(Test Time Augmentation, TTA)은 데이터 증강 (Data Augmentation)과 유사하게 테스트 이미지에 무작위 변형을 적용하는 방법입니다. 데이터 증강은 신경망의 성능을 향상시키기 위해 훈련 데이터를 늘리고 일반화 능력을 높이는 방법입니다. 회전, 확대, 이동, 반전 등 다양한 변형을 통해 입력 데이터를 무작위로 변형하여 모델이 동일한 예제를 두 번 볼 일이 없게 합니다. 이는 모델이 인식해야 할 클래스에 대한

상관관계와 인과관계는 데이터 분석, 연구, 그리고 일상적인 의사결정에서 매우 중요한 개념입니다. 이 두 개념을 이해하고 구분하기 어렵지만 두 개념을 혼동하지 않아야 합니다. 상관관계와 인과관계는 엄격한 통계기법과 실험으로 구분가능합니다.

파이썬에서 `del` 명령어는 특정 변수, 자료형 요소 또는 객체를 삭제하는 데 사용됩니다. 이는 메모리 관리를 돕고 불필요한 변수나 데이터를 제거하여 불필요한 연산을 줄이고, 가독성을 높여 코드의 효율성을 높입니다.

생성형 AI (GENERATIVE AI)기술은 무엇이고 이 기술을 활용하여 성공적인 비즈니스를 만드는 전략에 관해 이야기 합니다. 본 글의 목차는 1)생성형 AI란?, 2)생성형 AI시장 생태계 및 비즈니스, 3) 생성형 AI 비즈니스 성공전략, 4)마무리 로 구성되어 있습니다.

다중 레이블 분류 (Multi-Label Classification)는 데이터가 동시에 여러 카테고리에 속할 수 있는 상황을 다루는 분류 문제입니다.

딥 레지듀얼 네트워크 (Deep Residual Networks, ResNets) 는 매우 깊은 아키텍처로 구성됩니다. 높은 정확도와 뛰어난 수렴 특성을 보여주는 신경망 구조입니다. 딥 레지듀얼 네트워크는 여러 개의 "잔차 유닛"을 쌓아서 구성됩니다.

Grad-CAM의 목적은 합성곱 신경망(CNN)의 예측 과정을 시각화하여 더 투명하게 만드는 것입니다. Grad-CAM은 CNN의 합성곱 층이 수집한 공간 정보를 활용하여 소스 이미지의 어떤 영역이 분류 결정에 중요한지 식별합니다.

scikit-learn 패키지를 활용하여 내제된 당뇨병 데이터로 다중 선형 회귀를 학습합니다. 선형 회귀를 통해서 당뇨병 환자들에 대한 경향성을 파악할 수 있습니다. 또한 scikit-learn 활용법 또한 알 수 있습니다.

모델 앙상블의 대표적인 3가지 방법과 각 하위개념들에 대해 포괄적으로 설명합니다.

딥러닝에서 사용하는 convolution 층에서 filter 혹은 kernel 이라는 단어를 사용하는 이유에 대해 알고계신가요? 단순한 신호 처리 분야부터 이미지 처리 분야까지 이어지는 공통 분모인 convolution 에 대해 알아봅니다.

뜨거운 관심 속 공개된 메타의 차기작 라마 3 (Llama 3)와 이를 둘러싼 글로벌 빅테크 LLMs에 대해 이야기합니다.

람다 표현식에 대해 알아보고, 함께 자주 쓰이는 map(), filter(), reduce()가 무엇인지 알아보고, 왜 실전에서 사용되고, 어떻게 사용해야 잘 사용할 수 있을 지 실습을 통해서 이해해보자.

머신러닝을 사용한 회귀 문제에서 모델의 성능을 평가하기 위해 다양한 지표가 사용됩니다. 그 중에서도 MAE(Mean Absolute Error), MSE(Mean Squared Error), 그리고 RMSE(Root Mean Squared Error)는 가장 널리 사용되는 지표입니다.

기계번역에서 많이 사용하고 있는 지표중 하나인 BLEU 스코어는 간단한 수학적인 연산만으로도 기계번역 품질을 평가할 수 있습니다. 물론 몇가지 한계점은 존재하긴 하지만 간편하게 사용할 수 있다는 점에서 아직까지도 많은 사랑을 받고 있습니다.