JH 개발자의 성장일지

엔드 투 엔드 딥러닝이란?: 입력에서 출력까지 파이프라인 네트워크 (직접 설계하는 네트워크) 없이 신경망으로 한 번에 처리→ 사용되는 경우 : 충분히 라벨링된 데이터가 있을 경우→ 사용하지 않는 경우 : 문제가 복잡할수록 파이프라인 네트워크로 나눠서 해결하는 것이 더 효율적, 너무 많은 계층의 노드가 있는 경우, 메모리가 부족할 경우신경망과 딥러닝을 사용하는 경우 : 분류, 회귀 → 구조화된 데이터(행과 열로 가진 테이블로 표현 가능한 데이터, 지각 문제 (ex. 이미지)는 덜 구조적인 데이터 ← 픽셀 그룹 간의 모호한 상관관계를 찾아 모양과 패턴을 식별해야 하기 때문)     신경망과 딥러닝이 분류와 회귀 문제에 적합한 이유는????=> 신경망, 딥러닝, 머신러닝, 회귀문제, 머신러닝 알고리즘 종류, ..

참고 강의(12) [딥러닝] Lecture 4. Convolutional Neural Networks - YouTube   완전 연결 층 : 모든 input 값(n)이 모든 output 값(m)에 다 연결 됨(n*m) → 최종적으로 하나의 값 출력패턴을 찾기 위한 필터 만들기 → 이미지 학습은 주변에 있는 픽셀들만 가지고 판단하는 spatial locality가 더 필요! (멀리 있는 데이터는 필요 없음…. == 완전 연결 층이 필요 없음)spatial locality를 반영하기 위해서 Convolutional Neural Network (CNN)을 만들거임. CNN (Convolutional Neural Network)공간적 지역성 : 가까이 있는 픽셀들로만 판단Positional invariance ..

영상 강의 - [딥러닝] Lecture 3. Neural Networks & Backpropagation (youtube.com)  여태까지 배운 내용 : Nearest Neighbor  Linear Classifier의 단점: 클래스마다 템플릿이 하나 (가중치가 하나) 이기 때문에 다양성에 대한 판단을 못함. (실제 데이터들은 비선형 구조로 분포함 → 근데 이거를 선형 구조로 파악하려는 건 큰 단점)방법 1) 수학적인 규칙을 만들어 데이터를 선형 구조로 바꿈 (보통 차원을 늘려줌)→ 차원의 저주 문제 때문에 방법 1)은 비선호과거 : 이미지 데이터에 대해서 특징(모양, 색깔 등을 2차 데이터)을 추출해 벡터로 만듬 → y로 매칭 시켜주는 과정 학습⇒ 차원의 저주도 풀림. but 두 과정이 분리되어 있음..

Feature Map 추출 과정저수준 패턴(Low-Level Features): 주로 선, 에지(경계), 모서리, 간단한 텍스처 -> 값들이 간단하고 일관적이며 특정 위치에만 집중고수준 패턴(High-Level Features): 이미지의 전체적인 모양, 구조, 객체의 일부분 -> 다양한 값들이 분포하며, 더 복잡하고 다양한 특징을 표현이미지 데이터에서의 패턴 : 에지(경계), 선, 모서리, 텍스처, 색상, 특정 모양 등의 시각적인 요소 -> 숫자 행렬로 표현Filter(Kernel)를 사용해 이미지의 픽셀 값과 연산하여 수치화됨 (Feature Map 추출) -> 초기 Layer에서는 저수준 패턴 학습, 깊어질수록 고수준 패턴 학습학습 과정 반복을 통해 특정 패턴에 반응하도록 Backpropagatio..