[IBM AI course #2] Introduction to Deep Learning & Neural Networks with Keras Pretrained model대규모 데이터셋(예: ImageNet)에서 이미 학습된 모델새로운 과제에 대해 재학습 없이 feature extractor로 활용 가능추출된 feature는 클러스터링, 시각화, 머신러닝 모델 입력 등에 활용 가능 → 예를 들어, VGG16, ResNet과 같은 ImageNet pretrained 모델이 이미지에서 feature map을 추출하는 데 자주 사용됨 Feature Extractor로 사용하는 장점재학습 불필요 → 빠르고 컴퓨팅 자원 소모 적음강력한 표현력 활용 → 사전 학습된 모델의 합성곱(convolutional) 계층이 학..

[IBM AI course #2] Introduction to Deep Learning & Neural Networks with Keras TransformersTransformer는 자연어 처리(NLP) 및 다양한 분야에서 혁신을 이끈 신경망 아키텍처기존의 RNN, CNN과 달리 긴 시퀀스 내의 장거리 의존성(long-range dependency)을 효과적으로 처리기계 번역, 텍스트 요약, 질의응답 시스템, text-to-image 생성에 주로 활용됨 Transformer typesGPT (Generative Pre-trained Transformer) → ChatGPT, GeminiBERT (Bidirectional Encoder Representations from Transformers) → G..

[IBM AI course #2] Introduction to Deep Learning & Neural Networks with Keras Convolutional Neural Networks (CNNs) CNN?CNN은 입력이 이미지일 것이라는 전제를 명시적으로 도입한 신경망 구조기존의 fully connected neural network와 달리, 매우 적은 수의 파라미터로 효율적인 연산 가능이미지 인식, 객체 탐지, 전반적인 컴퓨터 비전 분야에 사용됨 CNN의 구조 및 구성 요소Input → Convolution → ReLU → Pooling → Flatten → Fully Connected → Output Input Layer흑백 이미지: n x m x 1컬러 이미지: n x m x 3 (RGB..

[IBM AI course #2] Introduction to Deep Learning & Neural Networks with Keras 딥러닝 모델을 구축하기 위해 다양한 라이브러리와 프레임워크가 존재하며,해당 과정에서는 TensorFlow, PyTorch, Keras를 중점적으로 다루게 될 것이다. 주요 딥러닝 라이브러리1. TensorFlow가장 인기 있는 라이브러리Google에서 개발, 2015년 공개연구 및 실제 제품 환경 모두에서 사용GitHub 상의 커밋, PR, 포크 수 등 커뮤니티 규모 매우 큼학습 곡선이 가파름2. PyTorchTorch 프레임워크(Lua 기반)에서 파생GPU 연산에 최적화Python에 맞춰 재작성되어 사용성이 높고 빠름2016년 출시, 특히 학계 및 커스텀 모델 최적..

[IBM AI course #2] Introduction to Deep Learning & Neural Networks with Keras Backpropagation신경망이 가중치(w)와 편향(b)을 최적화하여 학습하는 방법을 이해역전파(backpropagation)를 통해 오차를 이용한 가중치/편향의 업데이트 과정 설명 딥러닝 모델 학습 과정1.초기화: 가중치와 편향을 무작위로 설정2.순전파 (Forward Propagation): 입력 → 출력 계산3.오차 계산: 예측값과 정답(레이블) 간 차이 계산 (손실 함수)4.역전파 (Backpropagation): 오차를 각 가중치/편향에 대해 미분하여 기울기(gradient) 계산5.가중치/편향 업데이트: 경사하강법을 이용해 업데이트 위 과정을 지정된 에..

[IBM AI course #2] Introduction to Deep Learning & Neural Networks with Keras Gradient Descent신경망이 가중치(w)와 편향(b)을 학습하고 최적화하는 방식을 이해하는 데 필수적인 개념. 예를 들어,[ z = 2x ]라는 데이터를 관찰했을 때, 우리는 [ wx ]가 실제값 z와 최대한 비슷하게 나오도록 만들고 싶은 것이 핵심이다. 여기서 w는 우리가 학습할 가중치(weight)가 된다.xz (= 2x)122436 손실 함수 (Cost/Loss Function)w 값을 최적화하여 데이터에 가장 잘 맞는 직선을 찾는 것.손실 함수 J(w) = ∑ (z - wx)²로 정의했을 때 (평균 제곱 오차 (MSE) 구조)이 함수는 포물선 형태로..

[IBM AI course #2] Introduction to Deep Learning & Neural Networks with Keras 딥러닝 알고리즘은 생물학적 뉴런의 작동 방식을 모방하고 있다.인공 뉴런은 구조적, 기능적으로 생물학적 뉴런과 유사하며, 학습은 반복을 통한 연결 강화로 이루어진다. 생물학적 뉴런(Biological Neuron)의 구성 요소Soma (체세포): 뉴런의 중심이며 핵(nucleus)을 포함함.Dendrites (수상돌기): 다른 뉴런의 시냅스(terminal buttons/synapses)에서 전기 신호를 받아 soma로 전달함.Axon (축색돌기): soma에서 처리된 정보를 시냅스로 전달함.Synapses (시냅스): axon의 끝부분, 다른 뉴런과 연결되는 지점. ..

Introduction to Deep Learning & Neural Networks with Keras 🔗 https://www.coursera.org/learn/introduction-to-deep-learning-with-keras/[IBM AI course #2] Introduction to Deep Learning & Neural Networks with Keras딥러닝과 인공신경망에 대한 기초를 배우고, Keras를 사용하여 딥러닝 모델을 직접 구현하는 데 중점을 둔 과정 과정명: IBM AI Engineering Specialization의 2번 코스강의 대상: 딥러닝 및 인공신경망에 대한 기초를 배우고 싶은 사람, 머신러닝 경력을 시작하고자 하는 입문자, 기초 지식이 있는 실무자 중 딥러..

[IBM AI course #1] Machine Learning with Python Supervised Learning Evaluation Classification Evaluation모델이 새로운 데이터를 얼마나 잘 예측하는지 평가방법train-test-split주요 분류 성능 지표accuracy(정확도)confusion matrixprecision(정밀도),recall(재현율)F1 score (precision과 recall의 조화 평균)→ Accuracy만 높아도 실제 중요한 경우를 놓칠 수 있어서, 예를 들어 암 진단에서는 정밀도(진단이 맞는지)와 재현율(실제 암 환자를 놓치지 않는지)도 함께 평가해야 한다.→ 사용자에게 영화를 추천했는데, 사실 그 사람이 별로 좋아하지 않는 영화였다면? 이..

[IBM AI course #1] Machine Learning with Python Clustering클러스터링은 데이터 간 유사성을 기반으로 그룹을 나누는 (고객 세분화, 이상치 탐지 등) 비지도 학습 기법이며, K-Means, 밀도 기반 클러스터링(DBSCAN), 계층적 클러스터링 등 다양한 알고리즘이 존재한다. K-Means 클러스터링각 데이터 포인트를 가장 가까운 중심점(centroid)에 할당하며, 중심점을 반복적으로 업데이트한다.클러스터 내 분산(Within-Cluster Variance) 최소화하는 것이 목표이며,볼록(convex)이고 균형 잡힌 클러스터에 적합하다. (불균형하거나 복잡한 모양의 데이터에는 부적합.)성능 평가 기법Silhouette Score, Elbow Method, D..