머신러닝 기초
-
CS231n 2017 lecture 3머신러닝 기초 2019. 7. 26. 15:04
1. Linear Classifier Linear Classifier는 Parametric model의 가장 단순한 형태이다. Parametric model에서 일반적으로 입력 이미지를 x, parameters, 즉 weights(가중치)를 W라 표현한다. Parametric model에서 $f(x, W)$를 수행하면 이미지 카테고리에 대한 각각의 점수가 나온다. CIFAR-10이라면 10개의 점수가 나오는 것이다. $f(x, W)$의 가장 쉬운 형태는 $f(x, W)=Wx$로 단순 두 항을 곱하는 것이다. (이것이 Linear Classifier의 기본이다.) 물론 $x, W$ 모두 벡터이기 때문에 각각의 차원을 나타내면 아래와 같다. 입력 이미지가 32x32x3이기 때문에 하나의 긴 열(column)..
-
CS231n 2017 lecture 2머신러닝 기초 2019. 7. 21. 11:56
https://www.youtube.com/watch?v=OoUX-nOEjG0&list=PLC1qU-LWwrF64f4QKQT-Vg5Wr4qEE1Zxk&index=3&t=0s 1. Image Classification Image의 Object가 무엇인지 인간은 매우 쉽게 알 수 있지만 컴퓨터는 그렇지 못하다. 같은 고양이 사진도 우리는 왼쪽과 같이 이해하지만 컴퓨터는 800 X 600 X 3의 matrix로 이해한다. (x3은 이미지의 RGB 3개의 채널을 의미한다.) Image Classification이 어려운 이유는 크게 아래와 같은 이유가 존재한다. Viewpoint variation(시점 변화) : 객체의 단일 인스턴스는 카메라에 의해 시점이 달라질 수 있다. Scale variation(크기 변..
-
CS231n 2017 lecture 1머신러닝 기초 2019. 7. 20. 23:41
https://www.youtube.com/watch?v=vT1JzLTH4G4&list=PLC1qU-LWwrF64f4QKQT-Vg5Wr4qEE1Zxk&index=2&t=0s Lecture 1은 Introduction 이므로 자세하게 내용 정리는 하지 않고 가벼운 마음으로 들었다. 몇 가지 내용 정리를 해보면 아래와 같다. 1. PASCAL Visual Object Challenge 2. ImageNet PASCAL과 ImageNet모두 Image Classification을 위한 데이터셋들이다. 2017년 당시(지금은 아닐 수 있다.) ImageNet이 가장 큰 데이터셋이었다. 3. Image Classification Challenge ImageNet은 유명한 Image Classification Ch..