공대생 도전 일지

텐서 플로우 - 구글파이토치 - 메타image가 인풋이 되고, text가 아웃풋이 된다.

이미지에 대한 설명을 text로 만드는 것이다.이미지넷으로 사전학습 된다.하이브리드 네트워크를 통해 이미지 캡셔닝을 얻는다고 볼 수 이싿.아직까지 상관 관계를 정확하게 말하기는 힘들다.

여기는 영상과 언어가 합쳐진다!pooling 최고에 대한 컨텍스트 백터를 찾는 과정이다.컨텍스트 백터 = latent vector 좌측은 영상이고, 우측은 text이다.self attention을 추가한다.동적 컨텍스트화 : 디코더가 각각 다른 부분에 집중하게 된다.

GAN 이전에 나왔어야 하지 않았나 싶긴 한데.... 잠재 표현 = latent spaceRNN -> LSTM, GRU -> BERT, Transformer -> GPT .... image(CNN) -> Text(LSTM)  다양한 어플리케이션이 모든 분야에 적용되고 있다.영상 인코더 CNN -> Transformer(Vit,PVT SWIN)언어 인코더 RNN -> LSTM, GRU -> Transformer인코더 디코더의 결합 - 다양한 변환이 있을 수 있다.

https://kr.mathworks.com/help/reinforcement-learning/ug/create-simulink-environment-and-train-agent.html Simulink 환경 만들기 및 에이전트 훈련시키기 - MATLAB & Simulink - MathWorks 한국다음 MATLAB 명령에 해당하는 링크를 클릭했습니다. 명령을 실행하려면 MATLAB 명령 창에 입력하십시오. 웹 브라우저는 MATLAB 명령을 지원하지 않습니다.kr.mathworks.com % Observation infoobsInfo = rlNumericSpec([3 1],... LowerLimit=[-inf -inf 0 ]',... UpperLimit=[ inf inf inf]');% N..

훈련 중에 에이전트는 환경으로부터 보상을 받고, 이러한 보상은 정책 업데이트에 사용됩니다. 훈련 알고리즘에 따라, 액터와 크리틱의 파라미터가 보상에 대한 응답으로 어떻게 수정되는지가 지정됩니다.에이전트와 환경을 정의하는 변수가 있으면 이러한 변수를 train 함수에 전달할 수 있습니다. 에이전트와 환경을 정의하는 변수가 있으면 이러한 변수를 train 함수에 전달할 수 있습니다.기본적으로 훈련 진행 상황은 새 창에 표시됩니다. 플롯에는 각 에피소드에서 획득한 보상이 표시됩니다. 일반적으로 사용자는 훈련이 진행될수록 이러한 보상이 증가하기를 바랍니다. 하지만 에이전트의 행동 선택과 에이전트와 환경 간의 상호 작용에 임의성이 존재하기 때문에, 단일 에피소드에서 받는 보상은 변하기 마련입니다. 따라서 진행 상..

액션과 상태가 별로 없으면 테이블이 적당하니 구할 수 있다. 그러나 우리가 할 작업은 액션과 상태가 연속적이라 엄청나다...크리틱을 신경망으로 사용하자!크리틱의 액션은 액터한테서 가져온다.크리틱의 평가로부터 정책 학습이 가능하다.액터-크리틱 에이전트다양한 유형의 액터-크리틱 에이전트가 있으며, 각각은 액터 신경망과 크리틱 신경망에 특정 아키텍처를 사용합니다. 액터와 크리틱에 대한 사용자 지정 신경망을 만들지 않는 한, 여러 다른 유형의 액터 신경망과 크리틱 신경망에 대해 염려할 필요가 없습니다. 일반적으로 관측값과 행동만 지정하여 에이전트를 만들 수 있으며, 이 경우 선택된 디폴트 액터 신경망과 디폴트 크리틱 신경망을 갖는 에이전트가 생성됩니다. 주사위 게임을 위한 액터-크리틱 에이전트PPO(근위 정책 ..

다음 설명 중 머신러닝 시스템을 설계할 때 가장 먼저 고려하여야 할 사항은 무엇인가?하나를 선택하세요.샘플 데이터 수집하기학습 알고리즘 개발하기접근방식 선택하기 (지도학습 / 비지도학습)특징 추출하기데이터가 있어야 뭘 하든 말든 할 수 있으니까..... 1번 머신러닝 시스템을 설계할 때 가장 먼저 고려해야 할 사항은 **접근방식 선택하기 (지도학습 / 비지도학습)**입니다. 접근 방식을 결정함으로써 데이터 수집, 특징 추출 및 학습 알고리즘 개발과 같은 후속 작업들이 해당 방향에 맞게 진행될 수 있습니다. 지도학습과 비지도학습은 데이터의 종류와 목표에 따라 다르므로, 이 결정은 머신러닝 모델의 전체 구조를 정의하는 첫 단계입니다.GPT는....머신러닝 시스템을 설계할 때는 먼저 지도학습을 사용할 것인지,..

학습 데이터 수는 머신러닝 학습 알고리즘에 큰 영향을 준다!!!이런 비슷한 단어 중 선택하기를 하고 있다.데이터의 개수가 증가함에 따라서 대체적으로 정확도가 증가한다!데이터가 많은 경우와 데이터가 적은경우의 성능이 다르다!누가 좋은 알고리즘이기 보다는 데이터가 누가 더 많냐가 승부를 가른다.이 사실은 언제 맞냐?오버피팅나면?충분한 특징 값이 있어야 데이터의 효과를 잘 뽑아낸다.충분히 많은 피쳐, 히든 레이어 수가 중요! 학습알고리즘을 충분히 복잡하게, 피쳐도 충분히 많이 사용할 때!

정밀도와 재현율의 균형!우린 정확히 0.5로 나누기로 했다.높은 확률을 암이라고 판단한다!프리시전은 높이고, 리콜은 낮춘다.임계값!반비례한다.임계값을 자동으로 설정할 순 없을까?평균을 통해 판단할 수 있다.이제 T였나 무슨 스코어 였는데 F1이었네요적절히 균형을 맞춘 알고리즘이다.F1은 조화평균이다!F1 score도 커야지 좋은 지표이다.