공대생 도전 일지

ANN은 처음 들어보는 단어네요 차원을 flatten시킬 수 있다. 사진 -> 1D 영상 -> 2D = 사진 + 시간 비디오 -> 3D = 사진 + 시간 + 소리 hyperparameter == 경험적! 뉴럴넷의 시각화를 볼 수 있다.

이전에 CNN에서 Convolution이라는 것을 활용했죠 항상 말하는 기계학습은 인간이 특징 추출을 해줘야 한다! 기계학습을 직접 해본적은 없어서 ..... 딥러닝은 깊은 뉴런 구조로 다 풀겠다. 일종의 scanning이다. 이미지 사이즈도 점점 줄일 수 있다. 커널이 커질수록 feature map이 점점 작아진다. Stride가 없어졌네요...?

1. 다음 문장의 빈칸에 들어갈 가장 적절한 단어를 고르시오. “특징 값이 2개인 경우 선형 회귀는 _____에 피팅되며, 예측 함수는 _____ 공간에서 표현될 수 있다.” 하나를 선택하세요. 직선, 2차원 직선, 3차원 평면, 2차원 평면, 3차원 특징 값이 2개면 bias까지 합쳐서 3평면에 3차원이다! 정답은 "평면, 3차원"입니다. 설명: 특징 값이 2개인 경우, 선형 회귀 모델은 두 개의 독립 변수를 기반으로 하므로, 이를 그래픽으로 표현할 때는 3차원 공간에서의 평면으로 나타납니다. 두 독립 변수(x축과 y축)와 종속 변수(z축) 사이의 관계를 3차원 공간에서 평면으로 표현할 수 있습니다. 따라서 예측 함수는 3차원 공간에서 평면으로 표현됩니다. 특징 값이 2개인 경우 선형 회귀는 평면에 피..

정규 방정식! 데이터 개수 - m 특징 개수 -n 정규 방정식 - Normal Equation X의 역함수는 구하기 힘들다. 행과 열의 크기가 같지 않기 때문.. 그래서 오차를 최소화 하는 방식으로 진행한다. 반복적으로 구하지 않아도 된다! 손으로 하기 너무 복잡하니 툴을 활용하자 이제 새로운 값이 들어와도 예측할 수 있다. 딥러닝도 저럴 수 있다면.... 역시 계산량에서 차이가 있었습니다. 역행렬이 없다면 이 방식을 사용할 수 없다. 언제 안될까?

새로운 특징 값? 이 3 개를 곱하면 부피가 나온다. 이런 방식인 줄은 몰랐네요 ㄷㄷ.. 필요 없는 특징을 찾기! 다항식을 활용할 수 있다. 복잡하고 비선형성을 가질 수 있다. 이렇게 되면 스케일링이 매우 중요해 진다.!!!! 3제곱이 되기 때문에 차이가 어마무시하게 커진다. 제곱근 말고도 로그를 활용할 수 있다.

오버 슈팅, 너무 느린 수렴 속도 이것 때문이라도 스케일링이 중요하겠네요 초기에는 빠르게 감소하다가 수렴에 다가가면 천천히 감소한다 -> 언제 비용함수 값이 최솟값에 도달했는지 판단할 수 있다. 경사 하강의 발산 - 오버슈팅 -> 학습 상수가 너무 크다. 보통 저는 0.001 사용했던것 같네요 adam optimizer로 보완된건가...? factor는 사용해본적이 없네요. 그냥 0.03을 넣은 적은 있어도,..

내가 아는 스케일 - 값의 차이를 적당한 범위로 맞춰준다. 큰 값이 영향을 크게 주게 된다! 경사 하강법이 잘 적용되지 않을 수 있다. 그럼 최솟값이 안맞지 않나? Feature Scaling 밸런스를 가지도록 스케일링 한다! 평균 값을 빼주는 이유 : 특징 값이 좌우 균등하게 분포하도록! 스케일링 시 - 경사하강법이 빨라 질 수 있다. 분류 문제에서도 경사 하강법에 도움을 준다. 범위가 너무 다른 경우 적용한다!

이전에는 엔진 파어만을 통해 자동차 가격을 예측했다. 비용함수를 최소화하는 값을 찾으면 그 값을 가설에 대입하면 끝이었다. 데이터는 205개가 주어졌다. cost function은 비슷하다. 그저 하나가 늘은 것 뿐이다. 변수가 여러가지라면 벡터로 표현하면 편하다. w*는 최적 값이다. 경사 하강법 변수가 한개일 경우 변수가 2개 이상일 경우 특징의 개수 - n 학습 데이터 개수 - m 데이터의 총 개수는 205개이다. w0는 바이어스 파라미터이다. -> x에 1을 하나 추가해준다. 이 것도 벡터화 시킬 수 있다. 우리 x0 = 1로 만들어서 굳이 안나눠도 되지 않나...?

clear; close all; clc; rosshutdown; rosinit('http://localhost:11311') tftree = rostf; pause(3); % Parameter//============================================================ load('wheelbase.mat'); Ld = 1.0; v = 1.5; delta = 0.3; roi = [0, 7, -4, 4, -2, 4]; clusterThreshold = 1.0; % Cluster distance cuboidTreshold = 0.01; % Ignore smaller than 0.003 cuboid (cone: 0.0215) waypointTreshold = 3.0; % mak..

규칙 기반 시스템 - 특정 문제 해에 대한 전문가적인 답변을 준다. 정형화에는 규칙이 들어간다. 지식 베이스 - 사전에 알게된 정보 추론 규칙 - 지식 베이스를 기반으로 모르는 정보에 대한 정보를 알려준다. 추론 과정을 볼 수 있다. 추론을 통한 탐색 순방향 추론 = 방향성이 순 방향이다. 조건부 - 주어진 상황의 매칭 (많아지면 연산에 무리가 간다.) 역방향 추론 결론부부터 확인한다. 가설 - 사실을 가정한다. 순방향 추론 시작! 왼쪽은 조건부가 된다. 이번엔 역방향 추론으로 간다. 이 것을 보고 치타라는 가설을 세울 수 있다. 여기서 확인도 치타이다 부터 확인하기 시작한다. 전문가 시스템 Expert System - 전문가의 추론 과정을 시스템으로 옮긴 것이다. 질병 진단 전문가 시스템을 활용 -> ..