본문 바로가기
반응형
[CV] GoogleNet [출처]: Going Deeper with Convolutions"Going Deeper with Convolutions" 요약저자: Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich초록: 이 논문은 Inception이라는 깊은 컨볼루션 신경망 아키텍처를 소개하며, 이는 2014년 ImageNet 대규모 시각 인식 챌린지(ILSVRC14)에서 분류 및 검출 작업에서 최신 상태를 설정하는 데 기여했습니다. 특히 GoogLeNet이라는 변형은 네트워크의 깊이와 너비를 늘리면서도 일정한 계산 예산을 유지하도록.. 2024. 6. 7.
[CV] AlexNet [출처]: ImageNet Classification with Deep Convolutional Neural Networks 주요 내용 요약: AlexNet 논문 (ImageNet Classification with Deep Convolutional Neural Networks)저자: Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton1. 개요AlexNet은 ImageNet LSVRC-2010 콘테스트의 1.2백만 개의 고해상도 이미지를 1000개의 클래스에 분류하기 위해 개발된 대형 심층 합성곱 신경망(CNN)입니다.테스트 데이터에서 top-1 오류율 37.5%, top-5 오류율 17.0%를 달성했으며, 이는 이전 최첨단 기술보다 훨씬 우수한 성능입니다.이 신.. 2024. 6. 7.
[CV] LeNet-5 [출처]: GradientBased Learning Applied to Document Recognition LeNet-5 논문은 Yann LeCun 등 여러 연구자가 1998년에 발표한 논문으로, 손글씨 숫자 인식을 위한 합성곱 신경망(Convolutional Neural Network, CNN)의 아키텍처를 제안합니다. 이 논문은 합성곱 신경망을 통해 이미지 인식 문제를 해결하는 방법을 제시하며, LeNet-5는 특히 손글씨 숫자 인식에서 큰 성과를 보였습니다.주요 내용 요약배경 및 목적: 전통적인 패턴 인식 기법은 주로 특징 추출과 분류 단계를 분리하여 수행했습니다. 하지만 LeCun 등은 자동으로 특징을 학습하고 분류하는 신경망을 제안했습니다.LeNet-5 아키텍처:입력층: 32x32 픽셀의 이미.. 2024. 6. 7.
[Daily English] Day4: Occupation - Speaking 이번 주 주제는 "직업 (Occupation)"입니다.목요일 (말하기)주제: 직업 관련 스피치 준비 및 연습활동:나의 직업 또는 희망하는 직업에 대해 2분 스피치를 준비해보세요.스피치에 포함할 내용:직업명 (Job title)주요 업무 (Main duties)직업 선택 이유 (Reasons for choosing this job)직업에서의 목표 (Goals in this job)예시 스피치:Job Title: Software Engineer Main Duties: Hello everyone, my name is [Your Name], and I am a software engineer. As a software engineer, my main duties include developing and main.. 2024. 6. 6.
[그래프 신경망] 그래프 신경망 커리큘럼 그래프 신경망 (GNNs) 기초 강의 계획안강의 목표그래프 신경망의 기본 개념과 원리 이해주요 그래프 신경망 모델 학습그래프 신경망의 실제 응용 분야 탐구Python과 PyTorch를 활용한 그래프 신경망 구현 및 실습강의 기간: 12주 (주 1회, 회당 2시간) 강의 일정 및 내용주차주제내용실습/과제1주차그래프 신경망 개요GNN의 개념, 역사, 응용 분야GNN 개념 요약2주차그래프 데이터 구조그래프의 표현, 인접 행렬, 인접 리스트그래프 데이터 구조 실습3주차그래프 신경망 기본 모델GCN, GraphSAGE 등 기본 모델 학습GCN 구현 실습4주차그래프 신경망의 수학적 배경그래프 이론, 행렬 연산, 스펙트럴 그래프 이론수학적 배경 이해5주차메시지 패싱 신경망Message Passing Neural Ne.. 2024. 6. 5.
[AutoML] AutoML 커리큘럼 AutoML 기초 강의 계획안강의 목표AutoML의 기본 개념과 원리 이해주요 AutoML 도구와 프레임워크 학습Python과 주요 AutoML 라이브러리를 활용한 실습 강의 기간: 12주 (주 1회, 회당 2시간) 강의 일정 및 내용주차주제내용실습/과제1주차AutoML 개요AutoML의 개념과 역사, 주요 원리AutoML 개념 요약2주차데이터 준비데이터 전처리, 특징 추출, 데이터 분할데이터 전처리 실습3주차AutoML 도구 소개주요 AutoML 도구 및 프레임워크 소개도구 설치 및 기본 사용법 실습4주차AutoML 파이프라인파이프라인 개념, 구성 요소AutoML 파이프라인 실습5주차하이퍼파라미터 튜닝하이퍼파라미터 튜닝의 중요성, 방법론하이퍼파라미터 튜닝 실습6주차모델 선택모델 선택의 개념과 전략다양한.. 2024. 6. 5.
[자연어처리] 자연어처리 커리큘럼 자연어 처리 (NLP) 기초 강의 계획안강의 목표자연어 처리의 기본 개념과 원리 이해주요 NLP 기법과 알고리즘 학습Python과 PyTorch를 사용한 NLP 실습 강의 기간: 12주 (주 1회, 회당 2시간) 강의 일정 및 내용주차주제내용실습/과제1주차NLP 개요NLP의 기본 개념 및 응용 분야NLP 개념 요약2주차텍스트 전처리토큰화, 정제, 정규화텍스트 전처리 실습3주차언어 모델N-그램 모델, 언어 모델 평가N-그램 모델 구현4주차단어 임베딩Word2Vec, GloVe단어 임베딩 실습5주차문서 분류TF-IDF, 나이브 베이즈문서 분류 구현6주차감정 분석감정 분석 개념 및 기법감정 분석 실습7주차순환 신경망 (RNN)RNN, LSTM, GRURNN 구현8주차시퀀스-투-시퀀스 모델Seq2Seq, 어텐션.. 2024. 6. 5.
[강화학습] 강화학습 커리큘럼 강화학습 (Reinforcement Learning) 강의 계획안강의 목표강화학습의 기본 개념과 원리 이해주요 강화학습 알고리즘 학습강화학습을 사용하여 실제 문제 해결 경험강의 기간: 12주 (주 1회, 회당 2시간) 강의 일정 및 내용주차주제내용실습/과제1주차강화학습 개요강화학습의 기본 개념 및 응용 분야강화학습 개념 요약2주차MDP와 기본 원리마코프 결정 과정(MDP)와 기본 원리 이해MDP 모델링 실습3주차가치 함수와 벨만 방정식가치 함수, 벨만 방정식 및 최적 정책벨만 방정식 구현4주차동적 프로그래밍정책 반복, 가치 반복정책 반복 및 가치 반복 구현5주차몬테카를로 방법몬테카를로 예측, 제어 방법몬테카를로 방법 실습6주차시간차 학습TD(0), Sarsa, Q-learningTD 학습 알고리즘 구현7.. 2024. 6. 5.
[딥러닝의 이론적 기초] 딥러닝의 이론적 기초 커리큘럼 딥러닝의 이론적 기초 강의 계획안강의 개요강의 제목: 딥러닝의 이론적 기초강의 목표: 딥러닝의 기본 개념과 원리를 이해하고, 다양한 신경망 구조와 학습 방법에 대해 학습하며, 이론적 배경을 통해 딥러닝 모델의 설계와 응용 능력을 배양한다.대상: 머신러닝 기초를 이해하고 있는 대학생 및 관련 종사자강의 기간: 12주 (주 1회, 회당 2시간) 강의 일정 및 내용주차주제내용실습/과제1주차딥러닝 개요딥러닝의 정의, 역사, 주요 응용 분야딥러닝 기본 개념 요약2주차신경망의 기초인공신경망의 기본 구조와 원리간단한 신경망 구현3주차활성화 함수와 손실 함수주요 활성화 함수와 손실 함수의 이해와 적용활성화 함수 및 손실 함수 실습4주차역전파 알고리즘역전파 알고리즘의 원리와 수학적 배경역전파 알고리즘 구현5주차신경망 학.. 2024. 6. 5.
[컴퓨터비전] 추가 학습 목록 1. 강화학습 (Reinforcement Learning)이유응용 분야 다양성: 게임 AI, 로봇 제어, 자율 주행 등 다양한 분야에서 응용.생성 모델과의 연계성: 강화학습을 사용하여 생성 모델의 성능을 향상시키는 연구가 많음.기본 개념: MDP (Markov Decision Process), 정책, 가치 함수, 보상, Q-러닝, SARSA.고급 주제: 딥 Q-러닝 (DQN), 정책 경사 방법 (Policy Gradient), Actor-Critic 방법, 강화학습을 통한 게임 플레이 (e.g., AlphaGo).2. 자연어 처리 (Natural Language Processing, NLP)이유생성 모델과의 연계성: GPT, BERT와 같은 생성 모델이 NLP에서 큰 역할을 하고 있음.실생활 응용: 챗봇.. 2024. 6. 5.
반응형

티스토리툴바