살만한 세상 만들기

요즘 인공지능과 관련되어 머신러닝에 많은 관심이 쏟아지고 있다. Deep Learning 라이브러리를 사용해보기 위해서 어떤 것을 사용할까 좀 찾아보는 중이다. Torch7, Theano, TensorFlow 등등등 아래의 링크에 비교를 해놓은 설명들이 있다. 참고하시길 바란다. http://deeplearning4j.org/compare-dl4j-torch7-pylearn.html http://tmmse.xyz/choosing-deep-learning-libraries/ 이중에서 Torch7과 Theano를 연구기관에서 많이 사용하는것 같지만, 나는 TensorFlow를 한번 해볼까한다. 사용하기 쉽다고해서....ㅎㅎ 아래의 링크에 사용법과 Deep Learning에 관한 강의가 올라와 있는 곳이 있다..

참조 : http://dokim.tistory.com/entry/LDA-Linear-Discriminant-Analysis pr_l10.pdf (일단 설명 잘 되어있고, 예제 있는 참고 자료 투척, PPT) LDA (Linear Discriminant Analysis) 란? LDA seeks to reduce dimensionality while preserving as much of the class discriminatory information as possible 간단하게 말해서... LDA 는 클래스들의 정보를 보호하면서 차원을 최소로 줄이겠다는 얘기다. PCA (Principal Component Analysis) 는 뭐지? PCA 는 한 데이터베이스 안에 여러개의 클래스가 포함되었을때, 클래..

참고 : http://coolstu.blog.me/130176439747 벡터 B가 (3 4)'라고 하면 좌표평면에서는 아래의 그림과 같이 표현될 수 있다. 벡터 B에 상수 2를 곱하면 (6 8)'가 되는데, 이는 원래의 벡터에서 길이만 변하고 방향은 변하지 않는 것을 확인할 수 있다. 하지만 벡터 B에 행렬을 곱해주면 길이뿐만 아니라 방향도 변하는 것을 볼 수 있다. 하지만 동일한 행렬 A에 벡터 (1, 2)'를 곱하면 방향은 변하지 않고 길이만 변하는 것을 확인할 수 있다. 이것은 벡터 B에 행렬 A를 곱하는 것과 벡터 B에 상수 3을 곱하는 것이 같은 결과를 갖는 것을 보여준다. 따라서 아래와 같이 행렬 A에 대하여 다음 식을 만족하는 B와 람다가 존재한다 이때 람다를 행렬 A의 Eigenvalue..

원문 : http://slownews.kr/41461 필자 홈페이지(딥러닝 이야기): http://t-robotics.blogspot.kr/search/label/%EB%94%A5%EB%9F%AC%EB%8B%9D%20%EC%9D%B4%EC%95%BC%EA%B8%B0#.VlfwTnnotUR ====================================================================================== 요즘 딥 러닝(Deep Learning)이 핫합니다. 몇 년 전부터 기계학습(Machine Learning)이 일반인들에게 알려지기 시작하더니, 지금은 기계학습의 한 종류인 딥 러닝이 아예 기계학습이란 단어를 대체할 듯한 기세인 듯합니다. 페이스북 인공지능 연구소 수..

[출처] KISS ILVB Tutorial(한국정보과학회) 에서 발표( Dr. Sung-Jung Cho)된 내용 중 발췌 얼마전에 Markov Model에 대해서 주석을 달아서 올렸는데, 이번에는 HMM에 대해서 알아보자 지난번 글에서 언급되었듯이 MM과 HMM의 차이점은 상태(state)를 관측할 수 있는가에 달려있다. 날씨나 동전던지기와 같은 사건(event)에서는 쉽게 상태를 알 수 있지만, 그렇지 않는 사건들도 존재한다. 예를 들어, 아래와 같은 문제가 있다고 하자. :realImgView('http://cfs11.blog.daum.net/original/4/blog/2008/04/13/11/43/48017359ea180&filename=a.JPG')" target="_blank"> 이와 같이 3..

출처 : http://ddiri01.tistory.com/category/machíne%20lèarning 위의 사이트에서 가져 왔습니다. speech corpora를 제작함에 있어 DB생성 후 error detection을 할때 쓰려고 classifier를 사용하려 한다. 오류를 분류하려고 svm 을 사용할 때 방법을 검색해 보았더니 아래 방법이 나왔다. ---------------------------------------------------------------------------------------- 기본적으로 svm은 이진 분류기이다. 이진분류법을 확장해서 멀티클래스 분류를 하는 방법이 있는데 대표적으로 one vs one approach 그리고 one vs rest approach(또는 ..

출처 : http://blog.naver.com/khaisilver/88803394 데이터마이닝 이란? 데이터마이닝은 간단하게는 "대용량의 데이터로부터 그 안에 숨겨져있는 의미있는 지식을 찾아내는 과정"이라고 설명할 수 있습니다. 위키백과에서는 아래와 같이 좀 더 자세한 설명(정의)하고 있으니 참고하세요. 데이터 마이닝(Data Mining)은 대규모로 저장된 데이터 안에서 체계적이고 자동적으로 통계적 규칙(rule)이나 패턴(Pattern)을 찾아 내는 것이다. 다른 말로는 KDD(데이터베이스 속의 지식 발견(Knowledge-discovery in databases)라고도 일컫는다. 이를 위해서, 데이터 마이닝은 통계석에서 패턴인식에 이르는 다양한 계량 기법을 사용한다. 다양한 데이터마이닝 정의를 살..

SVM은 상당히 다룰 내용이 많은 learning algorithm이다. 하지만, 아직은 SVM을 제대로 공부한 적이 없는 필자와 같은 상태의 사람들은 논문을 보거나 SVM을 프로젝트에 이용하려 할때 기본 개념을 알고 있을 필요가 있다. SVM(Support vector machine)은 2개의 범주를 분류하는 이진 분류기이다. 다음 그림은 SVM의 개념을 설명하는 것이다. feature들은 그림과 같은 vector공간에 vector로 표시된다. 그림에서 보는 것처럼 하얀 색 vector들을 A그룹에 속하는 white point라고 하고, 그 반대로 검은색 vector들을 B그룹에 속하는 black point라고 하자. 이러한 벡터 가운데 같은 범주를 기준으로 바깥으로 위치한 벡터들의 연결선으로 이루어진..