STUDY

2-1-2. AI는 사물을 구분할 수 있을까? ●데이터 살펴보기 이번 예제에서는 CIFAR10를 사용. CIFAR10은 개구리, 트럭, 사슴, 자동차 등 현실 세계의 사물 10 종류 데이터가 포함. 트레이닝 데이터 5만장, 테스트 데이터 1만장 규모의 데이터 각 사진은 32 x 32 사이즈의 컬러 이미지. 데이터의 차원을 표현하면 (32,32,3). 컬러 이미지는 RGB 3가지 색상을 각각 표현해야 하므로 가로세로 외에 3개의 차원으로 추가. 이번 예제에서는 단순하게 이미지를 흑백으로 변환. 그래서 데이터의 차원은 (32,32) ●어떤 인공지능 사용? 3층짜리 FNN 층수 종류 크기 활성화 함수 1층 Flatten 32 X 32 없음 2층 FNN 256 ReLu 3층 FNN 10 Softmax 이전의 예..

2-1-1. AI는 손글씨를 인식할 수 있을까? ●데이터 살펴보기 데이터 - MNIST(엠니스트) 데이터셋 사용 MNIST - 0부터 9까지 숫자를 손으로 그린 손글씨 데이터 총 7만 장 - 트레이닝 6만 장, 테스트 1만 장 가로세로 28 픽셀 크기의 이미지. 배경의 값은 0이며 숫자가 기재된 구역의 값은 255. 이번 절의 예제는 배경의 값을 0, 숫자가 기재된 구역의 값 을 1로 노멀라이즈하여 학습. ●어떤 인공지능 사용? 3층짜리 FNN 층수 종류 크기 활성화 함수 1층 Flatten 28 x 28 없음 2층 FNN 256 ReLu 3층 FNN 10 SoftMax 1층에 'Flatten' - flat은 '납작한' 이라는 뜻이며 Flatten은 '납작하게 만들다' 라는 의미 말 그대로 입력받은 데이..

리스트의 얕은 복사(shallow copy)/ 깊은 복사 https://suwoni-codelab.com/python%20%EA%B8%B0%EB%B3%B8/2018/03/02/Python-Basic-copy/ mutable 과 immutable 을 구분 단순 객체복제 a=[1,2,3,4] b=a print(a,"/",b) #[1, 2, 3, 4] / [1, 2, 3, 4] b[1]=100 print(a,"/",b) #[1, 100, 3, 4] / [1, 100, 3, 4] 단순하게 a와 b가 똑같아 지는 복제 얕은 복사(shallow copy) a=[1,2,3,4] b=a[:] print(a,"/",b) #[1, 2, 3, 4] / [1, 2, 3, 4] b[1]=100 print(a,"/",b) #[1..

2 - 1. 이미지 분류(Classification) 기법 활용하기(1) 2 - 1. 이미지 분류(Classification) 기법 활용하기(1) 2-1-1. AI는 손글씨를 인식할 수 있을까? ●데이터 살펴보기 데이터 - MNIST(엠니스트) 데이터셋 사용 MNIST - 0부터 9까지 숫자를 손으로 그린 손글씨 데이터 총 7만 장 - 트레이닝 6만 장, 테스트 1만 장 h-study.tistory.com 2 - 1. 이미지 분류(Classification) 기법 활용하기(2) 2 - 1. 이미지 분류(Classification) 기법 활용하기(2) 2-1-2. AI는 사물을 구분할 수 있을까? ●데이터 살펴보기 이번 예제에서는 CIFAR10를 사용. CIFAR10은 개구리, 트럭, 사슴, 자동차 등 현..

1-4-1. [의료 AI] BMI(비만도) 분성을 위한 키, 체중 추론 ●데이터 살펴보기 앞서 활용한 육군 장병 신체검사 데이터가 수록된 csv 파일 가슴 둘레, 소매 길이, 허리 둘레, 샅높이, 머리 둘레, 발 길이 총 6개의 피쳐를 X값 키와 몸무게를 Y값 모든 데이터는 0부터 1사이 수치로 노멀라이즈 ●어떤 인공지능 사용? 전에 활용한 AI 구조 - 6층 FNN 층수 종류 크기 활성화 함수 1층 FNN 6 없음 2층 FNN 256 ReLu 3층 FNN 256 ReLu 4층 FNN 256 ReLu 5층 FNN 256 ReLu 6층 FNN 256 sigmoid 입력층은 피쳐 개수를 줄여 6개로 줄여 6 출력층은 2가지 종류 값을 동시에 회귀분석 하기 위하여 2 ●딥러닝 코딩 옵티마이저(optimizer..

1-4-1. [의료 AI] 유전자 분석을 통한 암 진단 ●데이터 살펴보기 4개의 csv 파일 - 실제 암 환자로부터 채취된 조직을 갈아서 유전자를 분석한 데이터 BRCA - 유방암, COAD - 대장암, LUAD - 폐암, THCA - 갑상선암 환자 데이터 총 2,905 명의 환자로부터 수집된 데이터 환자 한명당 피쳐 수(유전자)는 2만개 데이터는 0부터 1사이 숫자로 노멀라이즈 ●어떤 인공지능 사용? 신경망 구조 4층짜리 FNN 층 종류 크기 활성화 함수 1층 FNN 20000 - 2층 FNN 2048 ReLu - Dropout rate = 0.5 - 3층 FNN 256 ReLu - Dropout rate = 0.5 - 4층 FNN 4 SoftMax 입력층의 사이즈는 입력 데이터의 크기가 굉장히 크다보..

1-3-2. AI는 체격만 보고 체중을 추론할 수 있을까? ●데이터 살펴보기 국방부에서 공개한 병무청 신체검사 데이터 총 167,938명의 장병의 신체 치수를 측정하여 기록한 자료 가슴 둘레, 소매 길이, 신장, 허리 둘레, 샅높이, 머리 둘레, 발 길이 몸무게 각각의 피쳐와 Y값은 최댓값으로 나우어 0 부터 1사이의 소수로 노멀라이즈 ●어떤 인공지능 사용? 신경망 구조 6층 짜리 FNN 층수 종류 크기 활성화 함수 1층 FNN 7 없음 2층 FNN 256 ReLu 3층 FNN 256 ReLu 4층 FNN 256 ReLu 5층 FNN 256 ReLu 6층 FNN 1 sigmoid 입력층은 7개의 피쳐를 사용하기 때문에 7 출력층은 몸무게를 예측하기 때문에 1 앞서 노멀라이즈를 통해 체중값을 0부터 1 사..

1-3-1. 분류와 회귀의 차이는 무엇일까? ●이산적 변량과 연속적 변량 이산 - 서로 떨어져 있는 값 이산적 변량 - 수량이 이산적으로 변하는 경우 연속적 변량 - 수량이 연속적으로 변하는 경우 ●분류, 이산적 변량의 세계 앞서 공부한 분류 문제는 데이터를 3개의 카테고리로 분류. 카테고리의 개수가 3개로 딱 나뉘고, 그중에서 반드시 하나를 선택해야 하므로 분류 문제는 이산적 변량의 세계 ●회귀, 연속적 변량의 세계 회귀는 연속적 변량의 세계. 분류의 세계에서는 학생의 키를 작은 편, 큰 편 등 이산적으로 예측할 수 있음. 반면 회귀의 세계에서는 학생의 키를 수치로 바로 예측. 회귀는 AI의 예측 결과가 어떤 카테고리로 딱딱 분류되는 것이 아니라 구체적인 수치를 예측하도록 학습시키는 방법.

1-2-2. AI는 꽃을 구분할 수 있을까? ●데이터살펴보기 붓꽃 - Iris Setosa, Iris Versicolor, Iris Virginica 으로 구분 3 종류 각각 50포기씩 꽃받침의 길이, 꽃받침의 너비, 꽃잎의 길이, 꽃잎의 너비, 꽃의 종류 ●어떤 인공지능 사용? 3층짜리 FNN 층수 종류 크기 활성화 함수 1층 FNN 4 없음 2층 FNN 128 ReLu - Dropout rate = 0.5 - 3층 FNN 3 SoftMax 입력층은 총 4개의 피쳐를 입력받기 위해 1층의 크기는 4로 지정 출력층은 3종류의 꽃 아종을 구분하기위해 3으로 지정 분류 문제이므로 SoftMax를 지정 2층 아래에 Dropout이라는 값이 기재 신경을 버리는 드롭아웃 Dropout은 신경 일부를 버리는 기법 ..

1-2-1. AI는 체격을 보고 초·중·고등학생을 구분할 수 있을까? ●데이터 살펴보기 데이터 - 서울시 교육청에서 공개한 학생 건강 검사 데이터 피쳐 - 커다란 데이터에서 우리가 유심하게 살펴보라고 하는 부분 노말라이즈 - AI가 공평하게 여러 피쳐를 학습할 수 있도록하는 것(여기에선 0~1사이의 값으로 만들기 위해 몸무게를 최댓값으로 나눈다) 데이터 분할 - split과정으로 80/20으로 나눔 ●어떤 인공지능을 사용? 신경망 구조 - 입력, 은닉, 출력 1개씩 구성된 간단한 FNN 층수 종류 크기(퍼셉트론 갯수) 활성화 함수 1층 FNN 3 없음 2층 FNN 128 ReLu 3층 FNN 3 Softmax 입력층은 성별, 키, 체중 3종류의 데이터를 입력받기위해 3으로 설정 딥러닝에서 입력할 데이터의..