LITTLE BY LITTLE

Ch_02 Basic Structure Pandas_Data_Structure DataFrame_Operations max([row[3] for row in data]) 넘파이 배열 numpy array 에서 => dictionary로 변환 : { col : np.array(row[i] for row in data]) for i, col in enumerate(data.dtypes.names)} np.linspace(start,stop,num=)로 넘파이 배열 생성 넘파이 배열 numpy array 에서 => dataframe로 변환 : pd.DataFrame(array_dict) 시리즈 생성 => pd.Series(딕셔너리['컬럼 이름'], name=이름지정) pd.Series(numbers, inde..

ch_03. wide_vs_long wide가 일반적으로 많이 본 형태, describe로 한 눈에 볼때 편리, pandas의 matplotlib로 시각화 long은 컬럼명이 data type과 value로 구성, describe하기에 적절치 않음, seaborn으로 시각화 using_the_weather_api cleaning_data df.rename(str.supper(axis='columns').columns pd.to_datetime(df.col) pd.tz_localize(), pd.tz_convert(), pd.tz_localize(None).to_period('M').to_timestamp().index assign()으로 한번에 데이터 타입 변경 (df.col.astype('int' or..

개요 코드화란? 고차원에서 저차원으로 바꾸는 것 인코더와 디코더의 개념 픽셀-수준의 예측 (=픽셀에 대한 분류가 Segmentation, 즉 분할이 분류인 것) 디코딩 : 고차원 데이터를 출력하기 위함 FCN (Dense Layer을 없애고, 대신에 Fully Convolutional Network 사용, Segmentation을 위함) U-Net (U의 형태를 갖고 있으며, 인코더와 디코더 부분으로 나뉘어져 있음) 인코딩(=압축)과 디코딩(=압축 해제, 타겟 도메인으로 매핑) 인코더 : 입력 샘플을 잠재공간, 즉 숨겨진 구조화 값 집합에 매핑하는 함수 *잠재공간 : 입력공간과 타겟공간보다 작음 샘플에 포함된 의미론적 정보를 추출/압축 하기 위해 설계 또는 훈련된다. 디코더 : 이 잠재공간의 요소를 사전..

Faster R-CNN 아키텍처 ( 두 단계로 작동) 관심 영역(ROI, Region of Interest) 추출 - 각 이미지에 대하여 약 2,000개의 ROI를 생성한다. 분류 단계(혹은 탐지 단계) - 2,000개 각각에 대해 합성곱 네트워크의 입력에 맞춰 정사각형으로 크기를 조정함 이 단계에서 CNN을 사용하여 ROI를 분류한다. 1단계. 영역 제안 RPN (Region Proposal Network, 영역 제안 네트워크)를 사용하여 ROI를 생성한다. 합성곱 계층을 사용한다. ( 특징맵 좌표계로 전환됨 - 예제에서 CNN의 보폭은 16이다 => 좌표는 16으로 나누어진다. 2-2. 각 ROI크기를 조정해 완전 연결 계층의 입력과 맞춘다. 2-3. 완전 연결 계층을 적용하고, 여기에서 특징 벡터를..

2부. 전통적 인식 문제를 해결하는 최신 솔루션 04. 유력한 분류 도구 (고급 CNN아키텍처의 이해 - VGG, GoogleLeNet, Inception,ResNet[잔차 네트워크], 전이학습) 05. 객체 탐지 모델(YOLO, Faster R-CNN, 텐서플로 객체 탐지 API) 06. 이미지 보강 및 분할 (인코더-디코더로 이미지 변환, 노이즈 제거, 객체 분할) 3부. 컴퓨터 비전의 고급 개념 및 새 지평 07. 복합적이고 불충분한 데이터셋에서 훈련시키기 (입력 파이프라인, 데이터셋 보강, VAE와 GAN) 08. 동영상과 순환 신경망 (RNN, 장단기 메모리 셀, LSTM으로 동영상 분류하기) 09. 모델 최적화 및 모바일 기기 배포 (계산 및 디스크 용량 최적화, 온디바이스 머신러닝, Mobi..

2부. 전통적 인식 문제를 해결하는 최신 솔루션 04. 유력한 분류 도구 (고급 CNN아키텍처의 이해 - VGG, GoogleLeNet, Inception,ResNet[잔차 네트워크], 전이학습) 05. 객체 탐지 모델 (YOLO, Faste R-CNN, 텐서플로 객체 탐지 API) 06. 이미지 보강 및 분할 (인코더-디코더로 이미지 변환, 노이즈 제거, 객체 분할) 3부. 컴퓨터 비전의 고급 개념 및 새 지평 07. 복합적이고 불충분한 데이터셋에서 훈련시키기 (입력 파이프라인, 데이터셋 보강, VAE와 GAN) 08. 동영상과 순환 신경망 (RNN, 장단기 메모리 셀, LSTM으로 동영상 분류하기) 09. 모델 최적화 및 모바일 기기 배포 (계산 및 디스크 용량 최적화, 온디바이스 머신러닝, Mobi..

목차 1부. 컴퓨터 비전에 적용한 텐서플로2와 딥러닝 01. 컴퓨터 비전과 신경망 02. 텐서플로 기초와 모델 훈련 (케라스, 텐서보드, 애드온, 확장, 라이트, TensorFlow.js, 모델 실행 장소) 03. 현대 신경망 (다차원 데이터를 이용한 신경망, CNN작업, 유효수용영역, 훈련 프로세스 개선, 정규화 기법) 더보기 2부. 전통적 인식 문제를 해결하는 최신 솔루션 04. 유력한 분류 도구 (고급 CNN아키텍처의 이해 - VGG, GoogleLeNet, Inception,ResNet[잔차 네트워크], 전이학습) 05. 객체 탐지 모델 (YOLO, Faste R-CNN, 텐서플로 객체 탐지 API) 06. 이미지 보강 및 분할 (인코더-디코더로 이미지 변환, 노이즈 제거, 객체 분할) 3부. 컴..

목차 1부. 컴퓨터 비전에 적용한 텐서플로2와 딥러닝 01. 컴퓨터 비전과 신경망 02. 텐서플로 기초와 모델 훈련 (케라스, 텐서보드, 애드온, 확장, 라이트, TensorFlow.js, 모델 실행 장소) 03. 현대 신경망 (다차원 데이터를 이용한 신경망, CNN작업, 유효수용영역, 훈련 프로세스 개선, 정규화 기법) 더보기 2부. 전통적 인식 문제를 해결하는 최신 솔루션 04. 유력한 분류 도구 (고급 CNN아키텍처의 이해 - VGG, GoogleLeNet, Inception,ResNet[잔차 네트워크], 전이학습) 05. 객체 탐지 모델 (YOLO, Faste R-CNN, 텐서플로 객체 탐지 API) 06. 이미지 보강 및 분할 (인코더-디코더로 이미지 변환, 노이즈 제거, 객체 분할) 3부. 컴..