공대생 도전 일지

9차인 경우 매우 큰 파라미터 값이 보인다. -> 오버피팅 트레이닝 데이터에서 에러가 폭증하였다. 오히려 언더피팅이 발생할 수 있다.

정규화 항만 추가되었다. 정규화를 통해 수렴속도가 빨라지게 된다.

정규화 - 과적합 예방 4차 함수를 사용하여 오버피팅이 발생되었다. 단순하고 부드러운 예측함수 - 과적합 해소 어떤 파라미터가 중요한지 판단하기 어렵다! -> 다해 람다의 역할? 어우야 자료에 오타가 있네요 람다가 굉장히 작으면 첫 번째 목적에 치중하고, 람다가 굉장히 크면 두 번째 목적에 치중하게 됩니다. 정규화 파라미터 값을 적당한 값으로 사용해야 한다.

%% Setup clear; close all; clc; rosshutdown; rosinit('http://localhost:11311') tftree = rostf; pause(2); % Parameter//============================================================= roi = [0, 7, -7, 7, -2, 4]; NumClusterPoints = 200; pp=controllerPurePursuit; pp.LookaheadDistance =4; % m pp.DesiredLinearVelocity = 0.2; % m/s pp.MaxAngularVelocity = 0.4; % rad/s worldFrame = 'erp42_base'; Lidar = t..

https://wiki.ros.org/teb_local_planner teb_local_planner - ROS Wiki melodic noetic Show EOL distros: EOL distros: indigo jade kinetic lunar indigo: Documentation generated on June 09, 2019 at 04:06 AM (doc job).jade: Documentation generated on October 24, 2016 at 12:10 PM (doc job).kinetic: Documentation generate wiki.ros.org Package Summary Released Continuous Integration: 3 / 3 Documented The ..

없네...

XOR이 나오겠네요 나왔습니다 XOR!!! 선 하나만 만들어서는 XOR을 구분할 수 없다. 은닉층을 추가했을 때 복잡한 선을 만들 수 있다. BUT 학습은 어떻게????? -> 첫번째 겨울 -> Back propagation! 특징이 구분하기 너무 쉽다! -> 선형 분리 가능 사람조차 구분하기 힘든 일을 인공지능이 해줘야 필요성이 생긴다! 비선형 경계를 통해 좋은 성능을 낸다. 이 문제가 잘 풀린다면 비선형의 문제를 해결할 수 있다. 미분 가능하다 -> back propagation에서 사용된다. 위 과정을 반복하면서 쭉쭉 진행한다. 입력이 어떤 형태로 들어와도 표현 가능하다! 임의로 w와 b의 값을 정한다. -> 출력이 기대출력이 되도록 w와 b를 변화시킨다. 오차함수는 다양하다. 예측과 정답이 같아지..

흠 그럼 또 and or xor nand 나오겠네요.. 표현학습 = 신경망으로 구현한다. 신경망 = 방대하고 복잡한 데이터의 특징을 추출하는데 특화 사람이 피쳐를 결정해준다 -> 사람이 꼬리, 귀의 길이를 입력해줬다. 데이터를 그대로 입력해서 출력을 얻는 것 - 표현학습 == 신경망으로 구현한다. 신경망 - 인간의 두뇌를 모방 우린 인공 신경망을 만든 것이다. 시간의 순서대로 각각의 단점을 보완하면서 발전되었다. 단층 퍼셉트론의 한계 - 간단한 문제밖에 풀지 못한다. 입력과 출력 사이에 여러 층을 넣으면 해결할 수 있을 것 같으나 학습을 어떻게 하냐! 히든 레이어를 엄청 늘려보자 ! 표현학습에서 특징을 잘 추출하는 것 같다! -> 또 문제... => 기울기 소실, 과적합... 사람이 뭔가 사전 작업을 해..