STUDY

2-1-3. 시각적 정보 학습의 달인, CNN을 소개합니다! ●딥러닝, 인간의 뇌를 따라하는 인공지능 퍼셉트론은 인간의 뇌세포를 흉내 내는 기계이며, 퍼셉트론 레이어를 여러 층 쌓아 올리는 것은 인간의 뇌를 모방하기 위한 것. 딥러닝이 다른 인공지능에 비해 효과가 뛰어난 것은 인간의 뇌를 모방했기 때문일지도.. 앞서 FNN으로 이미지 분류에 실패 사실 퍼셉트론은 인간의 뇌가 시각적 정보를 처리하는 방식을 모사하기에는 적절치 않음. 영상 정보를 잘 학습하려면 사람의 뇌가 영상을 처리하는 방식을 따라 하는 것이 좋을 것이다. 그렇다면 우리의 뇌는 어떻게 시각적 정보를 처리할까? ●인간의 뇌가 시각 정보를 처리하는 방법 - 시각 정보가 흘러가는 경로 시각적 정보는 안구와 시신경을 거쳐 뇌의 외측슬상핵을 통해 ..

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..

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..