딥러닝(Deep Learning) ResNet(Residual Network)

서론 딥러닝, 인공 신경망의 한 분야는 기계 학습의 중요한 영역으로 자리매김하고 있습니다. 특히, 여러 계층을 갖는 심층 신경망, 즉 딥 뉴럴 네트워크가 이미지 인식, 음성 인식, 자연어 처리 등 다양한 분야에서 뛰어난 성능을 보이며 그 중요성이 부각되고 있습니다. 그러나 딥 뉴럴 네트워크는 그만큼의 성능을 달성하기 위해 많은 양의 데이터와 복잡한 구조, 그리고 그에 따른 높은 계산 비용이 필요하다는 문제점을 가지고 있습니다. 이 중에서도, 딥 뉴럴 네트워크의 학습에 있어서 가장 큰 문제점 중 하나는 'gradient vanishing'이라는 현상입니다. 이는 네트워크의 깊이가 깊어질수록, 즉 계층이 많아질수록 오차의 정보가 잘 전달되지 않아 학습이 잘 이루어지지 않는 문제를 의미합니다. 이러한 문제를 ..

• format_list_bulleted 데이터 사이언스/기초
• · 2024. 2. 8.
• textsms

딥러닝(Deep Learning) 합성곱 신경망(Convolutional Neural Network(CNN))

서론 컴퓨터 비전 분야에서 이미지 인식은 가장 기본적이면서도 중요한 문제 중 하나입니다. 이 문제를 해결하기 위해 다양한 기법들이 제안되었지만, 그 중 딥러닝 기반의 방법이 현재 가장 우수한 성능을 보이고 있습니다. 특히, Convolutional Neural Network(CNN)는 이미지 인식 작업에서 뛰어난 성능을 발휘하며 널리 사용되고 있습니다. 본 글에서는 이러한 CNN의 동작 원리와 주요 구성 요소에 대해 자세히 설명하고, 각 요소의 수학적 해석을 통해 그 이해를 돕고자 합니다. 이를 통해 CNN이 어떻게 이미지의 복잡한 특징들을 추출하고 이를 바탕으로 이미지를 인식하는지에 대한 깊은 이해를 얻을 수 있기를 바랍니다. CNN의 발생 배경 딥러닝과 그 서브셋인 컨볼루션 신경망(Convolutio..

• format_list_bulleted 데이터 사이언스/기초
• · 2024. 2. 1.
• textsms

딥러닝(Deep Learning) - 핵심 개념

서론 딥 뉴럴 네트워크(Deep Neural Network, DNN)는 현대 인공지능의 핵심 기술 중 하나로, 인간의 뇌를 모방한 구조를 통해 다양한 패턴을 학습하고 예측하는 데 사용됩니다. 이러한 딥 뉴럴 네트워크의 기본 구성요소와 원리를 이해하는 것은 컴퓨터 공학과 머신러닝에 깊이 관심이 있는 모든 이들에게 꼭 필요한 과정입니다. 본 글에서는 딥 뉴럴 네트워크를 구성하는 핵심 개념들인 퍼셉트론(perceptron), 다층 퍼셉트론(multi layer perceptron, MLP), 피드포워드(feed-forward), 출력 및 손실 함수(output/loss function), 그리고 역전파(backpropagation)에 대해 탐구해보려 합니다. 이들 각각의 개념은 딥 뉴럴 네트워크를 이루는 기본..

• format_list_bulleted 데이터 사이언스/기초
• · 2024. 1. 31.
• textsms

딥러닝(Deep Learning) 기초

서론 딥러닝은 현대 인공 지능 연구와 응용 분야에서 중추적인 역할을 하는 기술로서, 머신러닝의 한 분야라고 볼 수 있습니다. 그러나 이 두 분야는 몇 가지 중요한 차이점을 가지고 있습니다. 딥러닝은 Deep Neural Network를 기반으로 하며, 이는 데이터로부터 복잡한 패턴을 학습하는 능력을 가지고 있습니다. 이러한 특성 때문에 딥러닝은 이미지, 텍스트, 음성 등의 비정형 데이터 분석에 탁월한 성능을 발휘합니다. 딥러닝의 가장 큰 장점 중 하나는 'Feature Extraction'입니다. 전통적인 머신러닝에서는 전문가가 직접 특성을 선택하고 추출하는 과정이 필요했습니다. 이를 'Feature Engineering'이라고 합니다. 그러나 딥러닝은 네트워크가 스스로 데이터로부터 특성을 학습하고 추출..

• format_list_bulleted 데이터 사이언스/기초
• · 2024. 1. 30.
• textsms

데이터 시각화 코드 템플릿

서론 데이터를 시각화하는 것은 데이터를 이해하는 데 있어 매우 중요한 과정입니다. 여러 가지 종류의 그래프를 그리는 방법에 대해 알아보겠습니다. 파이썬에서 데이터 시각화를 위해 주로 사용하는 라이브러리는 matplotlib와 seaborn입니다. 이 두 라이브러리를 함께 사용하면 다양한 그래프를 그릴 수 있습니다. 또한, 싸이킷런(scikit-learn)의 내장 데이터를 사용하여 예제를 제공하겠습니다. 1. Scatter Plot (산점도) 산점도는 두 변수 간의 관계를 시각화하는 데 사용됩니다. 아래의 코드는 싸이킷런의 '붓꽃' 데이터 세트를 사용하여 피처 'sepal length (cm)'와 'sepal width (cm)' 사이의 관계를 시각화합니다. plt.scatter는 matplotlib 라이..

• format_list_bulleted 데이터 사이언스/기초
• · 2024. 1. 18.
• textsms

붓꽃 품종 분류 문제 데이터 로드부터 해결까지 Iris clustering

서론 머신러닝은 데이터로부터 학습하여 예측이나 분류 등의 작업을 수행하는 알고리즘을 연구하는 분야입니다. 이를 위해 데이터의 특성을 분석하고, 적합한 모델을 선택하며, 모델의 성능을 향상시키는 등의 과정이 필요합니다. 본문에서는 이런 과정들을 자세히 설명하고 있습니다. 먼저, 데이터를 이해하는 것이 중요합니다. 데이터의 특성을 파악하기 위해 탐색적 데이터 분석(EDA)을 수행합니다. 이 과정에서 데이터의 기본 정보와 통계량을 확인하며, 데이터 분포와 각 특성 간의 관계를 시각화하여 분석합니다. 다음으로, 적합한 모델을 선택하고 학습합니다. 이때 모델 선택은 문제의 특성과 데이터의 특성에 따라 달라집니다.  본문에서는 아이리스 품종 분류 문제를 다루며, 이 문제에 적합한 모델로 결정 트리 기반의 Rando..

• format_list_bulleted 데이터 사이언스/Kaggle
• · 2024. 1. 16.
• textsms

캐글 실전 자전거 공유 수요 예측

서론 이 글은 "캐글 실전 자전거 공유 수요 예측"에 대한 내용을 담고 있습니다. 데이터 분석의 중요성이 갈수록 높아지는 현재, 데이터의 통찰력을 바탕으로 실제 문제를 해결하는 능력은 매우 중요한 역량입니다. 이 글에서는 실제 캐글 경진대회에서 사용되었던 자전거 대여 수요 데이터를 활용하여 탐색적 데이터 분석과정부터 모델 학습, 검증, 그리고 예측까지의 전체 프로세스를 담고 있습니다. 데이터 전처리부터 시작하여, 변수들의 상관관계 분석, 시간대별/요일별/계절별 대여 패턴 분석, 그리고 기온, 습도, 풍속 등의 연속적인 특징들의 분포 확인 등 다양한 방법으로 데이터를 탐색합니다. 이후 데이터 인코딩, 스케일링을 통해 모델이 학습할 수 있는 형태로 데이터를 변환하고, RandomForestRegressor라..

• format_list_bulleted 데이터 사이언스/Kaggle
• · 2024. 1. 12.
• textsms