본문 바로가기

분류 전체보기

 (161)
3.4 컴퓨터 비전 및 응용 분야 컴퓨터 비전이란? 컴퓨터 비전을 통해 기계는 패턴을 감지하고 이미지와 비디오에 대한 높은 수준의 이해를 얻을 수 있다. 컴퓨터 비전으로 우리는 생산성을 높이고, 창의성을 주장할 수 있으며, 심지어 인간보다 문제를 더 잘 해결할 수 있다. 컴퓨터 비전의 가장 중요한 사용 중 하나는 자율주행 차이다. 딥러닝 이전의 컴퓨터 비전 먼저, 컴퓨터 비전에 대한 약간의 역사가 있다. 북극곰을 컴퓨터가 식별하도록 훈련해야 한다. 눈, 코, 귀는 0이 될 수 있다. 전통적으로, 컴퓨터 시력은 이렇게 이루어져 있다. 눈동자 패턴과 귀를 감지하는 규칙을 수동으로 코딩하여 특정한 방식으로 합치면 곰을 얻을 수 있다. 하지만 이 규칙은 와해되기 쉽다. 만약 곰이 걷고 있거나, 얼굴을 식별할 수 없는 경우가 이에 해당한다. 우리..
3.1 AWS로 머신러닝 학습하기 왜 AWS를 사용하는가? AWS 머신러닝은 기계 학습을 모든 개발자의 손에 맡기는 것이다. AWS는 가장 광범위하고 심층적인 인공지능(AI) 및 머신러닝(ML) 서비스를 탁월한 유연성으로 제공한다. AWS SageMaker를 사용하면 머신러닝 채틱 시간을 단축할 수 있다. 이전에는 전문 지식을 구축하는데 몇 개월이 걸렸지만 이제는 몇 주 또는 며칠만에 모델을 구축할 수 있다. AWS는 머신러닝에 최적화된 가장 포괄적인 클라우드 서비스를 제공한다. AWS에서는 다른 곳보다도 더 많은 머신러닝이 이루어진다. 머신러닝 현황 사용 증가 2023년까지 인공지능 시스템은 $98B까지 증가할 것이다. 파일럿에서 운영화까지 2024말까지 75%의 기업이 시범 운영에서 AI 운영으로 전환될것으로 전망된다. ML의 실제 ..
2.19 비디오 유출 감지 이 예제에서는 신경 네트워크를 사용한다. 신경 네트워크의 작동 방식에 대한 알고리즘은 이번 강의의 범위를 벗어나지만 어떻게 적용되는지 보기 위해 적용한다. 1단계 : 문제 정의 전문 현장 관리 서비스를 제공하는 회사를 운영하고 있다고 가정하자. 산업 화학 공장 고객에게는 유출 및 기타 건강 위험에 대한 신속한 대응이 필요하다. 공장의 보안 감시 시스템을 사용하여 유출물을 자동으로 탐지할 수 있다면 관리팀을 더 빨리 동원할 수 있다. 이미지 -> 모델 -> 유출 포함 감지 2단계 : 모델 훈련 (+ 선택) 이 작업은 지도형 훈련이다. 목표는 각 이미지가 클래스에 속하는지 여부를 예측하는 것이다. 유출 포함 / 미포함 -> ML 작업 -> 지도형 훈련 (데이터 라벨화) -> 카테고리 라벨 2단계 : 데이터셋..
2.18 북 장르 탐색 예제 1단계 : 문제 정의 책 설명에 있는 일반적인 단어의 존재에 따라 유사한 책의 클러스터 찾기 마이크로 장르라는 추세가 존재한다는 가정하에, 책 설명 텍스트를 사용하여 마이크로 장르를 식별하도록 한다. 클러스터링이라고 불리는 비지도형 기계학습 기술을 사용함으로써, 책 설명 텍스트가 숨겨진 마이크로 장르르 식별하는데 사용될 수 있다는 가설을 테스트할 수 있다. 이 기계 학습은 앞에서 말했듯이 데이터가 라벨링되지 않았을 때 유용한 방법이다. 2단계 : 데이터셋 만들기 가설을 검증하기 위해 서적의 책 설명 텍스트를 수집한다. 데이터 탐색, 검사 및 사전처리 이 프로젝트의 경우 대문자와 동사 시제는 문제가 되지 않을 것으로 예상되기 때문에 대문자를 제거하고 모든 동사를 동일한 시제로 변환하여 언어 처리를 하도록 ..
2.17 집 가격 예측 주택 가격 예측은 기계학습을 도입하는데 사용되는 가장 일반적인 예 중 하나이다. 전통적으로, 부동산 평가자들은 주택의 가치를 추정하는데 도움을 주기 위해 주택에 대한 많은 수량화 가능한 세부상황(방 수, 부지 크기, 건축 연도)을 사용한다. 1단계 : 문제 정의 Q. 집값은 부지의 크기나 침실 개수로 산정할 수 있는가? 최근 분양된 주택의 분양가에 접근하거나 주택 가격을 평가하게 할 수 있다. 이 데이터가 있으므로 지도형 학습 과제이다. 연속된 숫자 값을 예측하려고 하므로 회귀 작업이다. 2단계 : 데이터셋 만들기 데이터 수집 지난 1년동안 이웃에서 팔린 수많은 집들의 예를 수집하고, 감정가를 지불하여 분양가를 알 수 없는 집들을 평가한다. 데이터 탐구 대부분의 기게학습 모델이 일련의 번호로 작동하므로 ..
2.16 예제 소개 지도형 학습 기계학습으로 부지의 크기와 침실 수에 따른 인근 주택가격 예측 비지도형 학습 기계학습을 사용하여 뒷표지 설명의 문구를 분석하여 마이크로 장르의 책을 분리한다. 딥 뉴런 네트워크 보안카메라의 연구소 비디오 영상에서 화학 물질 유출을 탐지
2.14 모델 추론 요약 모델을 훈련하고 유효성을 평가한 후 결과에 만족하면 현장에서 보이지 않는 데이터를 사용하여 실제 문제에 대한 예측을 생성할 수 있다. 기계학습에서, 이 과정은 추론이라고 불린다. 반복 프로세스 모델을 구축한 후에도 항상 모니터링하여 원하는 결과를 얻고 있는지 확인한다. 데이터를 재조사하건, 모델 교육 알고리즘의 일부 매개 변수를 수정하거나, 훈련에 사용되는 모델 유형을 변경하는 경우가 해당된다.
2.12 모델 평가 데이터를 수집하고 모델을 교육한 후에는 모델의 성능을 평가할 수 있다. 평가에 사용되는 매트릭스는 정의한 문제에 특정할 수 있다. 머신러닝에 대한 이해도가 높아짐에 따라 효과적으로 평가할 수 있는 다양한 매트릭스를 탐색할 수 있다. 모델 정확도 사용 모델 정확도는 꽤 일반적인 평가 지표이다. 정확도는 모델이 정확히 맞추는 예측 비율이다. 예를 들어, 꽃잎 길이와 같은 측정 가능한 세부 정보를 바탕으로 꽃을 일반적인 두 종중 하나로 식별하는 모델을 만들었다고 상상해보자. 모형이 올바른 종을 예측하는 빈도를 알고자 할때, 모델의 정확성을 살펴봐야 한다. 확장된 학습 로그 손실 사용 모델이 생성하는 예측에 대해 얼마나 불확실한지 계산하는것. 불확실성은 모델이 생성되는 예측이 얼마나 정확하다고 생각하는지를 의미..
LIST

티스토리툴바