Deep learning

Anomaly Detection Anomaly detection이란, 수많은 데이터들 중에서 비정상적인 녀석들 을 구분해내는 것이다. 비정상적인 빨간 달걀 구분하는 방법은 분류작업을 통해서, 아래 왼쪽처럼, 다른 Group으로 표시할

지금까지, generator 개념을 제외하고는 전부, supervised Learning 에 대해서 다루었다 즉, 어떤 모델을 가지고 있는 input output pair data 를 가지고 학습시키는 방식이다. 하지만, 실제 dee

Recurrent Neural Network(RNN) & LSTM 지금까지 많은 Neueral Network 구조 들에 대해서 배워왔다. 모든 network들은 살펴보면, 각각의 특정 목적에 맞게 설계되었다. 이번에는 time - s

[Pre-trained Model] 굉장히 거대한, model을 새롭게 학습시키고, 구조화 시키는데 수많은 시간이 들어간다. 따라서, 사용 목적이 다르더라도 기존의 학습된 거대한 모델(pre trained model)을 가져와서 사용

Physical Informed Neural Network (PINN) & Operator Learning 지금 까지 배웠던 모델들의 학습방식과 완전 다른 새로운 Neural Network에 대해서 배워보자. So far, Data-

Image Segmentation, Object detection. 지금까지는 분류 작업, 확률, 예측, 이미지 Reconstruct 등을 output으로 계산해 왔다. [Image Segmentation] 이번에는 영역 구분을 하는

지금까지 우리는 Supervised Learning에 대해서 알아보았다. 즉, 어떠한 데이터를 우리가 정답이랑 같이 model에 줌으로써, 모델을 이 새로운 데이터를 만났을 때, 학습을 바탕으로 판단하도록 학습시키는 방식이다. 그러면

Diffusion Model 이번시간에는 image generation에서 가장 기술이 좋은 현재 많은 Image generation AI 회사들이 사용하는 Diffusion model에 대해서 알아보자. 기존의 이미지 생성모델은 V

Convolutional AutoEncoder(CAE) AutoEncoder에 대해서는 이미 다들 익숙 하실 것이다. 기본적으로 Input data의 특징을 추출하기 위해서 Encoder에서 latent space로 dimension

오늘은, 그레디언트 디센트 알고리즘, 즉 연산 Itereation마다 w값을 수정할 텐데 어떤 방식으로 수정하는지를 살펴보자. 먼저, Batch Gradient Descent 이전 포스터에서 구한, loss funcition (log

지난 포스터에서는, class가 다른 점들을 분류하는 구분선을 어떻게 정의하는지 에 대해서 알아보았다. 그렇다면, 이런 질문이 들 수 있다. 위 두 직선 모두, 서로 다른 클라쓰의 두점을 구분하였다고 가정하자. 그랬을때, 두 구분선중

Ch3_1. Classification_Perceptron Optimization Regression 에 이어 Deeplearning 이 잘하는 것, Classification 단순하다, 데이터들을 공간에 나열후, 같은 특성을 가진

지난 시간에는, 딥러닝의 장점 Optimizaiton 에 대해서 알아 보았다. 두번째로, Deep learning의 장점 Regression 에 대해서 알아보자. regression이란, 입력 변수와 출력 변수 사이의 관계 를 모델링

Ch1. Optimization for Deep Learning 아마 거의 모든 엔지니어링 뿐만아니라, 다양한 문제들 모두 최적화 Optimization 문제이다. 예를들어, 내가 아침 몇시에 운동을 해야 가장 기분이 좋고, 에너제틱