June is Combung

KT에이블스쿨 교육 한달 차 즈음, 화면 속으로만 만나던 에이블러들과 오프라인 미팅이 있었다. 물론 미니프로젝트 기간 동안 교육장에서 본 분들도 있었는데, 이 날은 교육장에 안 오셨던 분들도 꽤 많이 오셨다. 앞으로 약 반년 간 함께 으쌰으쌰해야할 분들이기에 친해지고 싶어서 오프라인 모임에 참여했다! 막상 당일이 되니 몸 컨디션이 별로 좋지 않아서 불참할까 고민하다가 그래도 나가보는게 좋을 것 같다고 생각해서 나갔다. 위치도 서현역이라서 집에서 도보 포함 단 15분밖에 걸리지 않았다. 처음에 엄청 어색할 줄 알았는데 생각보다 어색하지 않았던 것 같다. 미니프로젝트 기간 동안 교육장에서 뵌 적 있는 분들도 몇 분 계셨는데, 대부분은 처음 보는 얼굴들이었다. 어느 자리든지 항상 그러하듯, 간단하게 자기소개부..

1. Seq2Seq(Sequence-to-Sequence) Seq2Seq(Sequence-to-Sequence)은 기계 번역, 챗봇, 요약 등 다양한 자연어 처리 분야에서 활용되는 딥러닝 모델 중 하나이다. Seq2Seq 모델은 인코더-디코더(Encoder-Decoder) 구조로 이루어져 있으며, 시계열 데이터를 입력받아 시계열 데이터를 출력하는 모델이다. 인코더(Encoder)는 입력 시퀀스를 고정 길이의 벡터로 변환하는 역할을 하며, 디코더(Decoder)는 인코더가 생성한 고정 길이의 벡터를 입력으로 받아 출력 시퀀스를 생성하는 역할을 한다. Seq2Seq 모델에서는 입력과 출력의 길이가 일치하지 않을 수 있으며, 이를 해결하기 위해 어텐션(Attention) 메커니즘이 도입되기도 한다. Seq2S..

1. NLP 언어지능 딥러닝은 딥러닝을 활용하여 자연어 처리와 관련된 다양한 문제를 해결하는 분야이다. 자연어 처리는 컴퓨터가 인간의 언어를 이해하고 처리하는 분야로, 텍스트 분류, 감성 분석, 기계 번역, 질문 응답 등 다양한 응용이 있다. 언어지능 딥러닝에서는 텍스트 데이터를 입력으로 사용하여 딥러닝 모델을 학습시키고, 이를 사용하여 자연어 처리 문제를 해결한다. 텍스트 데이터는 일반적으로 토큰화와 정제 과정을 거친 후에 사용된다. 언어지능 딥러닝에서는 다양한 딥러닝 모델이 사용되며, 대표적으로는 순환 신경망(RNN), 장단기 메모리(Long Short-Term Memory, LSTM), 양방향 LSTM(Bidirectional LSTM), 변환기(Transformer) 등이 있다. 이러한 딥러닝 모..

1. Computer Vision Deep Learning(시각지능 딥러닝) 시각지능(Computer Vision) 딥러닝은 이미지나 비디오와 같은 시각적 데이터를 분석하고 이를 이용하여 판단하는 분야이다. 시각지능 딥러닝은 이미지 인식, 객체 검출, 분할, 추적 등의 작업을 수행할 수 있다. 시각지능 딥러닝은 이미지 분류, 이미지 생성 및 감지, 객체 추적 및 분할, 세분화 등 다양한 응용 분야에서 사용된다. 시각지능 딥러닝은 대부분의 경우 컨볼루션 신경망(Convolutional Neural Network, CNN)을 기반으로 한다. CNN은 이미지와 같은 시퀀스 데이터를 분석하는 데 매우 효과적이다. CNN은 이미지의 다양한 특징을 추출하는 데 사용되는 컨볼루션(Convolution) 계층과, 추출..

1. Anomaly Detection(이상탐지) 이상탐지(Anomaly Detection)는 일반적인 패턴에서 벗어난 이상한 데이터를 식별하는 것을 의미한다. 이상탐지는 보안, 제조, 의료, 금융 등 다양한 분야에서 활용되며, 데이터 분석에서 중요한 분야 중 하나이다. 이상탐지는 다음과 같은 방법으로 구현할 수 있다. 1. 데이터 이해 이상탐지를 위해 먼저 데이터를 이해해야 한다. 이상탐지는 데이터 분포를 파악하고, 이에 대한 이해를 바탕으로 이상 데이터를 식별하기 때문이다. 2. 변수 선택 이상탐지를 위해 변수를 선택해야 한다. 변수는 이상 데이터를 식별하는 데 중요한 역할을 한다. 변수를 선택할 때는 데이터 분포와 이상 데이터의 특성을 고려해야 한다. 3. 모델 선택 이상탐지 모델은 다양한 종류가 있..

1. AI모델 해석평가 AI 모델 해석평가는 인공지능 모델이 어떻게 작동하는지 이해하고 분석하는 과정이다. 이를 통해 모델의 예측 결과가 어떻게 도출되었는지를 파악하고, 모델의 결함을 발견하고 개선할 수 있다. AI 모델 해석평가는 다음과 같은 방법으로 수행된다. 1. 모델 구조 분석: 모델의 구조와 각 계층의 기능을 파악한다. 2. 입력 데이터 분석: 모델이 입력으로 받는 데이터의 특성을 분석하고, 이를 모델이 어떻게 처리하는지 이해한다. 3. 출력 결과 분석: 모델이 출력하는 결과를 분석하고, 이를 해석하여 예측 결과의 신뢰도를 확인한다. 4. 성능 평가: 모델의 성능을 평가하여, 예측 결과의 정확도를 파악하고, 오분류된 샘플을 분석하여 모델의 결함을 발견한다. 5. 해석 결과 시각화: 분석 결과를 ..

1. 로지스틱 회귀 로지스틱 회귀(Logistic Regression)는 분류(Classification) 문제를 해결하는 데 사용되는 통계학적인 방법이다. 로지스틱 회귀는 선형 회귀(Linear Regression)와 비슷하지만, 출력 값이 이항 분류(Binary Classification) 문제에 대한 확률로 제한된다는 점에서 다르다. 로지스틱 회귀 모델은 입력 변수와 가중치의 선형 결합을 통해 로짓 함수(Logistic Function)를 계산하고, 이를 이용하여 확률 값을 계산한다. 로짓 함수는 S자 형태의 곡선을 그리며, 출력 값은 0에서 1 사이의 확률 값으로 제한된다. 로지스틱 회귀 모델은 주어진 입력 변수에 대한 출력 값을 이항 분류 문제에 대한 확률 값으로 해석할 수 있다. 이를 바탕으로..

1. 딥러닝 딥러닝은 인공신경망을 사용하여 복잡한 문제를 해결하는 기술이다. 딥러닝은 머신러닝의 한 분야로, 인간의 뇌 구조에서 영감을 받아 설계되었다. 딥러닝은 이미지, 음성, 언어 등 다양한 형태의 데이터를 분석하고, 패턴을 찾아내어 예측 모델을 만든다. 딥러닝 모델은 레이어라는 연속적인 계층을 가지고 있으며, 각 레이어에서는 입력 데이터를 변환하여 출력 데이터를 생성한다. 이러한 과정을 통해 딥러닝 모델은 데이터의 복잡한 패턴을 이해하고 예측력을 강화할 수 있다. 딥러닝은 Convolutional Neural Network(CNN), Recurrent Neural Network(RNN), Generative Adversarial Network(GAN) 등의 다양한 인공신경망을 사용한다. 이러한 인공..