수혁지능

What is GAN(Generative Adversarial Network, 적대적 생성 신경망)? 생성 모델(주어진 데이터를 학습하여 데이터 분포를 따르는 유사한 데이터를 생성하는 모델)의 한 유형이자 비지도학습의 대표주자 확률 변수 p(x)에 대한 정의 없이 p(x)를 샘플링하여 사용하는 방법 최대한 진짜와 비슷한 데이터를 생성하려는 생성자(Generator)와 진짜와 가짜를 구별하는 판별자(Discriminator) 각각 존재 GAN의 학습과정 : 판별자를 먼저 학습시킨 후 생성자를 학습시키는 과정 반복 판별자 실제 이미지를 입력해서 네트워크가 해당 이미지를 "진짜"로 분류하도록 학습 생성자가 생성한 모조 이미지를 입력해서 해당 이미지를 "가짜"로 분류하도록 학습 >> 실제 이미지를 "진짜"로 분..

Abstract 논문 출판 당시 object detection 분야에서의 SOTA 모델은 object의 위치를 가정하는 region proposal algorithm에 의존하였다. 대표적으로 SPPnet과 Fast R-CNN은 region proposal(RP = 영역추정) 계산을 사용하여 이러한 detection networks의 running time을 감소시켰다. 그러나 여전히 RP단계에서 bottleneck현상이 생긴다는 단점이 있었다. 본 논문에서는 RPN(Region Proposal Network)를 소개하는데, 이는 전체 이미지를 convolution 시킨 feature map을 공유하는 네트워크로 RP를 cost 부담없이 사용할 수 있고(nearly cost-free) fully convo..

이 글은 데이터 과학을 위한 통계(앤드루 브루스) 및 다양한 블로그를 참고했음을 미리 밝힙니다. 참고문헌은 맨 밑에 기재해놓았습니다. 전통적인 A/B 검정의 한계 A/B 검정은 두가지 처리방법, 제품, 절차 중 어느 쪽이 다른 쪽보다 더 우월하다는 것을 입증하기 위해 실험군 두 그룹으로 나누어 진행하는 실험. 둘 중 더 좋은 방법을 얻게 되면 실험을 멈추고 결과에 따라 행동하게 됨. 웹 디자인이나 마케팅에서 일반적으로 사용되는 방법! 하지만 이러한 접근에 몇가지 어려움이 존재 결론을 내리기 어렵다 -실험 결과가 한쪽으로 나와도(더 좋은 효과), 충분한 크기의 표본이 없다면 입증불가능 실험이 끝나기 전, 이미 얻은 결과들을 이용 시작 가능 -테스트를 다 했을 때 B가 더 좋다고 나왔는데, 지금까지는 A를 ..

빅데이터 시대가 되면서 표본추출은 필요 없다? No! 데이터의 크기는 많이 늘어났지만 데이터의 질과 적합성을 담보할 수 없는 실태 >> 표본추출은 여전히 필요하다 빅데이터 프로젝트도 작은 표본 데이터를 가지고 예측 모델 개발 후 테스트함. 모집단에서 표본 데이터를 추출하는 것 : 표본추출 데이터 과학자들은 표본추출 과정과 주어진 데이터에 집중해야 함. 모집단에 대한 이해를 바탕으로 추가적인 통찰을 얻을 수 있는 경우: 모델링이 가능할 때 ex) coin flip(이항 분포) RandomSampling : 무작위로 표본을 추출하는 것(모든 원소는 동일한 확률로 selected) / 추출된 샘플 = simple random sample -복원 추출: 추첨 후 , 다음번에도 중복 추출 가능 -비 복원 추출: ..