분류 전체보기 138

1. CNN을 구성하는 각 레이어의 역할에 대해 설명해보세요. 1) 입력/전처리 레이어(Input, Normalize)역할: 이미지 텐서의 스케일을 맞추고 분포를 안정화.예를 들어 [0, 255] 픽셀을 [0, 1] 또는 평균 0, 표준편차 1로 정규화해 학습을 빠르고 안정적으로 만든다.포인트: 배치 차원과 채널 차원 순서(NCHW vs NHWC)를 모델/프레임워크 요구에 맞춥니다. PyTorch는 일반적으로 NCHW를 사용.2) 합성곱 레이어(Convolution)역할: 지역(receptive field) 정보를 이용해 에지, 텍스처, 형태 같은 특징을 추출. 필터(커널)가 이미지 위를 슬라이딩하며 특징 맵을 만듦.하이퍼파라미터: 커널 크기(예: 3×3), 스트라이드, 패딩, 필터 수(출력 채널).효과..

기본적인 구현 실습# 라이브러리 import numpy as npimport matplotlib.pyplot as pltimport torch.nn as nnimport torch.optim as optimimport torchfrom torchvision import datasets, transformsfrom torch.utils.data import DataLoader, random_splitfrom torchvision.transforms import v2# 기본 전처리 후 데이터 불러오기transforms = v2.Compose( [ v2.ToImage(), v2.ToDtype(dtype=torch.float32, scale=True), ])train_data..

PyTorchd에서는 torch.nn.RNN, torch.nn.LSTM, torch.nn.GRU 클래스를 사용하여 순환 신경망을 쉽게 귀현 할 수 있다.각 클래스는 공통적으로 아래와 같은 주요 파라미터를 가진다. input_size: 입력 특성의 차원 (예: 피처 개수) Xhidden_size: 은닉 상태의 차원 (뉴런 개수) hnum_layers: RNN의 레이어 개수 (층이 깊을수록 복잡한 패턴 학습 가능)batch_first: True이면 입력 텐서의 첫 번째 차원이 배치 크기가 됨 (기본값은 False)dropout: 층 간 드롭아웃 적용 여부 (과적합 방지)bidirectional: 양방향 RNN 사용 여부 (기본값 False) RNNimport torchimport torch.nn as nn..

데이터 소개Fashion MNIST는 다양한 패션 아이템 이미지가 포함된 데이터셋입니다. 데이터셋 특징학습 데이터: 6만 개테스트 데이터: 1만 개이미지 크기: 28x28 (그레이스케일)클래스: 총 10개 (각 클래스에 데이터 균등 분포) 클래스 정보0T-shirt/top1Trouser2Pullover3Dress4Coat5Sandal6Shirt7Sneaker8Bag9Ankle boot 데이터 불러오기PyTorch의 TorchVision 라이브러리TorchVision은 PyTorch에서 제공하는 컴퓨터 비전용 라이브러리다양한 데이터셋, 모델, 이미지 전처리 및 증강 기능을 지원이번 강의에서는 TorchVision의 datasets 모듈을 활용 # 라이브러리 임포트import numpy as npim..

1. 딥러닝 프레임워크인 PyTorch와 TensorFlow를 비교해보세요. 항목PyTorchTensorFlow코멘트학습 그래프동적 그래프 기본즉시 실행+정적 그래프(tf.function)디버깅은 PyTorch가 직관적, 최적화/배포는 TF의 정적 그래프가 유리한 경우가 있음사용성/디버깅Pythonic, 연구 친화Keras로 고수준, 커스텀은 GradientTape연구·프로토타이핑은 PyTorch가 편함고수준 APILightning, TorchMetrics 등Keras(표준), TFX 파이프라인Keras는 표준화된 고수준 API로 생산성 높음성능 최적화PyTorch 2.x: torch.compile, InductorXLA, tf.function, Grappler둘 다 컴파일러 최적화 지원, 하드웨어/모델..

1. 딥러닝과 머신러닝 간의 포함관계에 대해 설명해주세요.1. 머신러닝(Machine Learning)정의: 머신러닝은 데이터를 통해 학습하고, 이를 기반으로 예측이나 결정을 내리도록 컴퓨터를 프로그래밍하는 인공지능의 한 분야목표: 명시적으로 프로그래밍하지 않고도 컴퓨터가 데이터를 분석하여 스스로 학습하고 발전하도록 하는 것접근 방식: 데이터를 기반으로 패턴을 찾아내고, 규칙을 만들거나 예측 모델을 구축예시:선형 회귀, 로지스틱 회귀: 데이터 경향성 예측결정 트리, 랜덤 포레스트: 분류 및 예측SVM(서포트 벡터 머신): 분류군집 분석(Clustering): 데이터 묶음 찾기특징 추출: 사람이 직접 데이터의 의미 있는 특징(예: 이미지에서 '눈동자의 색깔', '코의 길이' 등)을 찾아 모델에 입력해야 하..

1. 결정 트리의 장점과 단점은 무엇인가요? 결정트리는 분석 결과를 해석하기 쉬우며, 변수 간의 상호작용과 비선형성을 반영하여 정확한 예측이 가능하다는 장점이 있다. 또한 모델의 직관성과 가시성이 높아, 어떤 결정에 대한 이유를 설명하기 용이하다는 특징이 있다.그러나 결정트리는 과적합(overfitting) 문제가 발생할 수 있기 때문에, 적절한 가지치기와 데이터의 적절한 샘플링이 필요하다. 또한 결정 트리 기반의 모델은 데이터 분포가 일정하지 않거나 데이터에 노이즈가 포함된 경우 정확한 예측이 어려울 수 있다는 한계도 있다.더보기 2 . 부스팅은 어떤 특징을 가진 앙상블 기법인가요? 토픽에서 배운 AdaBoost 이외의 부스팅 모델에는 무엇이 있는지에 대해 구글 등을 활용하여 직접 리서치해보고, 각 ..

1. 지도 학습과 비지도 학습의 차이는 무엇인가요?지도 학습은 답이 정해져 있고, 그 답을 맞추는게 학습의 목적이다. 그래서 학습데이터의 답을 꼭 알려줘야 한다. 비지도 학습은 답이라는 개념이 없다. 예를 들어 인터넷 기사 데이터를 학습시킨다 하면 지도 학습은 이건 사회, 이건 연예, 이건 경제 하면서 답을 알려줘야 하는데 비지도 학습은 비슷한 기사 끼리 묶어봐 하는 것이다. 그리고 지도 학습은 스팸 메일을 가려내는 분류와 아파트 가격을 예측하는 회귀로 나눌 수 있다.더보기 강사님 답> 지도학습은 정답(lable)이 있는 데이터를 학습해 예측하는 방식이고, 비지도학습은 정답 없이 데이터의 구조 나 패턴을 찾는 방식입니다. 2. 손실 함수(loss function)란 무엇이며, 왜 중요한가요?손실 함수..