ML5 [Boostcamp Lv2][P stage] Week9-Day38. 2 stage detector :: seoftwa 📜 강의 정리 2 Stage Detector 객체가 있을 법한 위치를 특정짓고, 해당 객체가 무엇인지 분류하는 2가지 단계를 거치는 모델을 2 stage detector라고 한다. 1. R-CNN ✔ Pipeline Input Image Extract Region proposals : Selective Search 방법을 통해 약 2000개의 RoI 추출 Warping : RoI의 사이즈를 조절해 모두 동일한 사이즈로 변경 warping을 하는 이유? FC layer의 입력 사이즈가 고정되어서, 동일한 사이즈로 맞춰줘야한다. Compute CNN features : 각 region 마다 4096(64×64)-dim feature vector 추출(2000×4096) - semantic 정보 포함되어 있다.. 2021. 9. 30. [Sequence Models] Recurrent Neural Networks :: seoftware 📜 강의 정리 * Coursera 강의 중 Andrew Ng 교수님의 Sequence Models 강의를 공부하고 정리한 내용입니다. * 이미지 출처 : Deeplearning.AI Recurrent Neural Networks 1. Why Sequence Models? 2. Notation 이전과 동일하게 i번째 example에 대해 (i)로 표현하고 x_(i)에서 시퀀스를 나타내기 위한 방법으로 를 사용 10K개의 단어가 있는 사전이 있다고 할 때, 각 단어의 위치를 1만 차원 shape의 원핫 벡터로 표현 3. Recurrent Neural Network Model 문장을 일반 신경망으로 학습하지 못하는 이유는 인풋과 아웃풋의 크기가 일정하지 않고, 한 단어의 중요도가 문장마다 다르기 때문에 특징을.. 2021. 9. 27. [Structuring Machine Learning Projects] Why ML Strategy :: seoftware 📜 강의 정리 * Coursera 강의 중 Andrew Ng 교수님의 Structuring Machine Learning Projects 강의를 공부하고 정리한 내용입니다. * 이미지 출처 : Deeplearning.AI Introduction to ML Strategy There are some strategy for improving your system(model). These strategy can make your system work effectively and quickly. 머신러닝을 효율적으로 하는 사람들은 어떤 효과를 위해 어떤 하이퍼파라미터를 튜닝해야하는지 뚜렷한 안목을 가지고 있다. 이런 하이퍼파라미터를 튜닝하는 과정을 Orthogonalization(직교화)라고 부른다. 전체적인 .. 2021. 9. 12. [Improving Deep Neural Network] Week 2. Optimization algorithms :: seoftware 📜 강의 정리 * Coursera 강의 중 Andrew Ng 교수님의 Improving Deep Neural Networks: Hyperparameter Tuning, Regularization and Optimization 강의를 공부하고 정리한 내용입니다. * 이미지 출처 : Deeplearning.AI Optimization Algorithm 1. Mini-batch Gradient Descent Having fast optimization algorithms, having good optimization algorithms can really speed up the efficiency of you and your team. Vectorization allows you to efficiently c.. 2021. 9. 5. [Image Classification] Week 4 Daily Report :: seofware > : 카메라로 촬영한 사람 얼굴 이미지의 마스크 착용 여부를 판단하는 Task 🔴앞으로 더 고민해봐야 할 것은 빨간색 🟢고민해서 결론을 내린 것은 초록색 🌼 Day15. EDA EDA는 무엇을 해야할지 고민 피어세션 전에는 각 클래스 별로 어떤 데이터가 있는지 확인하려고 함 피어세션에서 다른 캠퍼님의 EDA를 보고 조금 더 데이터를 뜯어볼 필요를 느낌 데이터의 분포를 확인했는데, 성별은 'female' 비율이 높았고 연령대는 '60세 이상'이 확연히 적었으며, '30-60세' 범위의 사람들은 너무 골고루 펼쳐 있었다. 위를 보고 데이터 불균형으로 인한 문제가 발생할 것을 예상할 수 있었고 해결방법에 대해 고민해봤음. data visualization의 seaborn 강의 수강 서버 생성 AI stage.. 2021. 8. 25. 이전 1 다음
