Head vs breakz

몇개월 동안 인공지능에 대해 공부하면서 느끼는 것은 결국 머신러닝은 어떤 데이터를 어떤 모델로 학습 시킬 것인가? 이것에 대한 질문을 해결해야 한다. 1. 데이터 : 전처리 가장 기초이자 기본이 되는 부분이다. 어떤 데이터를 사용할지가 제일 중요한 부분이다. 데이터가 존재하지 않는다면, 직접 만들거나 수집을 해야한다. 이러한 데이터들은 학습 알고리즘이 최적의 성능을 내기에 적합한 경우가 드물기 떄문에 전처리 과정을 거쳐야 한다. 전처리 과정이란 ? 쉽게 말한다면 필요한 데이터로 가공하는 것으로 다양한 방법이 존재 한다. 사진을 사용 할 경우, 필요한 부분만 편집하거나, 배경을 삭제 하는 경우가 있을 수 있으며, 데이터 셋을 사용 할때에는 이상치를 없애거나, 표준화 하는 방법이 있다.이 외에도 필요한 특성..

def solution(msg): word_list =['A','B','C','D','E','F','G','H','I','J','K','L','M','N','O','P','Q','R','S','T','U','V','W','X','Y','Z'] status = True total = True count = 0 val_count = 0 answer = [] for i in range(len(msg)): for j in range(len(msg),0,-1): if msg[i:j] in word_list and status ==True : answer.append(word_list.index(msg[i:j])+1) word_list.append(msg[i:j+1]) count += j-i if j-i > 1: ..

#튜플 def solution(s): b = [] a = list(s[2:-2].split("},{")) a.sort(key = len) for i in range(len(a)): c=list(a[i].split(",")) for j in range(len(c)): if c[j] not in b : b.append(c[j]) for q in range(len(b)): b[q] = int(b[q]) answer = b return answer 문자열을 쪼개고, 다시 리스트로 쪼개고, 문자가 없으면 넣어주고 문자를 숫자로 변환

Object detection은 물체를 찾는 것과 그 물체를 분류하는 문제 해결해야한다. two stage의 경우 Regional Proposal과 Classification이 순차적으로 이루지는 방법으로 one stage 보다 상대적으로 느리지만 좋은 성능을 보여준다. 하지만 연산량이 많다는 점은 계속 단점으로 남아있다. two stage 종류 R-CNN ResNet DenseNet VGGNet GoogLeNet one stage의 경우 Regional Proposal과 Classification이 동시에 이루지는 방법으로 two stage에 비해 빠른 속도를 보여준다. 하지만 정확도는 떨어진다. one stage 종류 YOLO Focal loss SSD