Head vs breakz

컴퓨터과학, 인공지능과 언어학이 합쳐진 분야 컴퓨터과학 + 인공지능 + 언어학 = 자연어처리 자연어 처리의 어려움 언어,상황,환경,지각 지식의 학습 및 표현의 복잡함 언어 데이터의 특성 불연속적인 심볼의 계열 계열 길이가 샘플에 따라 다름 계층적,재귀적인 구조를 지님 Count-based methods SVD,HAL predictive methods NPLM, word2vec

2차원 좌표에 (10,8)의 좌표가 있다. 이 좌표를 1차원으로 만들기 위해서는 x값이나 y값을 선택해야한다. 하지만 둘 중 하나의 값을 선택하게 될 경우 수 많은 오차가 발생한다.x값을 선택시 y값이 사라짐, y값을 선택시 x값이 사라짐. 이러한 문제를 해결하기 위해, 원점을 이동시킨다. 이동된 원점을 중심으로 분포된 좌표에 2개의 축을 생성하고 bias가 작은 축은 버린다. 그리고 나머지 축을 사용하여 좌표에 새로운 좌표(값)를 지정해 준다. 이때의 값은 원래의 값이 아닌, 새로 생성된 축의 값이다. 비지도 학습에서 차원 축소는 noise 데이터를 제거하기 위해 전처리 단계에서 사용한다. 그리고 차원 축소를 관련 있는 정보를 대부분 유지하면서 더 작은 차원의 부분 공간으로 데이터를 압축한다.

개별 가중치 값을 제한하여 모델의 복잡도를 줄이는 방법 모델이 복잡해 진다는 것은 불필요한 항이 많다는 것 L1 규제 L1 규제는 손실함수에 가중치 절대값을 추가 대부분의 특성 가중치 값이 0 실제로 관련 없는 특성이 많은 데이터의 경우 , 모델의 중요한 특성이 나타남 회귀 모델에 L1 규제를 추가 - Lasso 모델 L2 규제 손실함수에 가중치에 대한 제곱값 추가 L1보다 L2 규제를 많이사용 회귀 모델에 L2 규제를 추가 - Ridge 모델 #모델에 가중치 추가하기 from keras import regularizers #L1 규제 regularizers.l1(0.001) #L1,L2 규제 병합 regularizers.l1_l2(l1= , l2= ) #model안에서 사용 model.layers.De..

You Only Look Once YOLO는 사람처럼 한번에 사물의 종류와 개수를 파악하기 위해 만들어졌다. 이미지를 격자 그리드로 나누어 클래스를 판단하고, 정보들을 통합하여 확률 값에 따라서 최종 객체를 구분하는 방법을 사용한다. 현재 YOLO3 까지 나와 있는 상태이고, YOLO1과 비교하였을 떄에는 network 구조와 성능에 큰 차이가 있다. (현재 YOLO4가 나왔습니다. :) 조만간 YOLO4를 살펴보겠습니다.) Unified Detection 1.input image를 S x S grid로 분할 (해당 셀에 물체의 중심위치로 가정) 2.grid cell은 B개의 bounding box와 각 객체 존재에 대한 confidence score로 구성 bounding box는 x,y,w,h,con..