STUDY

2-1-6. AI는 가위바위보를 할 수 있을까? ●데이터 살펴보기 데이터 - 가위, 바위, 보 사진이 각각 964장씩 준비. 데이터의 픽셀값을 0 ~ 1 사이로 노멀라이즈. ●어떤 인공지능 사용? 5층짜리 CNN, Flatten, 2층짜리 FNN 이전의 예제와 출력층을 제외하고 같은 인공지능. 층수 종류 크기 활성화 함수 1층 CNN 16, (3, 3) ReLu - MaxPool (2, 2) - 2층 CNN 32, (3, 3) ReLu - MaxPool (2, 2) - 3층 CNN 64, (3, 3) ReLu - MaxPool (2, 2) - 4층 CNN 64, (3, 3) ReLu - MaxPool (2, 2) - 5층 CNN 64, (3, 3) ReLu - MaxPool (2, 2) - 6층 Flat..

2-1-5. AI는 사람과 말을 구분할 수 있을까? ●데이터 살펴보기 데이터 - 게임 엔진을 통하여 모델링된 사람 이미지 527장과 말 이미지 500장 데이터의 픽셀들은 기본적으로 0 ~ 255까지의 숫자. 이를 노멀라이즈 시킴. ●어떤 인공지능 사용? 5층짜리 CNN, Flatten, 2층짜리 FNN 층수 종류 크기 활성화 함수 1층 CNN 16, (3, 3) ReLu - MaxPool (2, 2) - 2층 CNN 32, (3, 3) ReLu - MaxPool (2, 2) - 3층 CNN 64, (3, 3) ReLu - MaxPool (2, 2) - 4층 CNN 64, (3, 3) ReLu - MaxPool (2, 2) - 5층 CNN 64, (3, 3) ReLu - MaxPool (2, 2) - 6층..

git 사용법 git hub에 repository를 생성. git을 사용할 폴더에 git bash사용 echo "# gitexe" >> README.md git init git add README.md git config --global user.email "email" git config --global user.name "name" git commit -m "first commit" git remote add origin https://github.com/... git push -u origin main //////////////////////////////////// 알고리즘에 도움될 만 한 것 딕셔너리에서 값이 최대인 키값 뽑아내기 max( dict, key = dict.get )

2-1-4. CNN AI는 사물을 구분할 수 있을까? ●데이터 살펴보기 데이터 - CIFAR10 데이터셋 사용 이전에 FNN은 색상 정보를 처리할 수 없으므로 Flatten을 실행하기에 앞서 이미지를 흑백으로 변환시키는 과정이 필요했음. 하지만 CNN은 컬러 채널 정보를 처리할 수 있으므로 별도로 흑백으로의 변환없이 데이터를 사용. 단, 노멀라이즈는 수행. 원본 이미지는 0 ~ 255 사이의 숫자로 표현된 데이터. 이를 255.0으로 나누어 0 ~ 1 사이의 숫자로 변환. ●어떤 인공지능 사용? - 신경망 구조 3층짜리 CNN 층수 종류 크기 활성화 함수 1층 CNN 32, (3,3) - - BatchNorm - ReLu - MaxPool (2,2) - 2층 CNN 64, (3,3) - - BatchNo..

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..

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..