윤지

📌 본 내용은 Michigan University의 'Deep Learning for Computer Vision' 강의를 듣고 개인적으로 필기한 내용입니다. 내용에 오류나 피드백이 있으면 말씀해주시면 감사히 반영하겠습니다. (Stanford의 cs231n과 내용이 거의 유사하니 참고하시면 도움 되실 것 같습니다)📌 (📁 아래에 똑같이 제가 정리해놓은 블로그 참고..! 벨로그에 있는게 더 깔끔히 정리 잘되어있습니다) https://velog.io/@ha_yoonji99/Michigan-Univ-DL-7%EA%B0%95-Convolutional-Neural-Network [Michigan DL/cs231n] 7강: Convolutional Neural Network 🔥Michigan University D..

📌 본 내용은 Michigan University의 'Deep Learning for Computer Vision' 강의를 듣고 개인적으로 필기한 내용입니다. 내용에 오류나 피드백이 있으면 말씀해주시면 감사히 반영하겠습니다. (Stanford의 cs231n과 내용이 거의 유사하니 참고하시면 도움 되실 것 같습니다)📌 (📁 아래에 똑같이 제가 정리해놓은 블로그 참고..! 벨로그에 있는게 더 깔끔히 정리 잘되어있습니다) https://velog.io/@ha_yoonji99/Michigan-Univ-DL-6%EA%B0%95-Backpropagation [Michigan DL/cs231n] 6강: Backpropagation 🔥Michigan University Deep Learning 6강🔥 velog.io

📌 본 내용은 Michigan University의 'Deep Learning for Computer Vision' 강의를 듣고 개인적으로 필기한 내용입니다. 내용에 오류나 피드백이 있으면 말씀해주시면 감사히 반영하겠습니다. (Stanford의 cs231n과 내용이 거의 유사하니 참고하시면 도움 되실 것 같습니다)📌 (📁 아래에 똑같이 제가 정리해놓은 블로그 참고..! 벨로그에 있는게 더 깔끔히 정리 잘되어있습니다) https://velog.io/@ha_yoonji99/Michigan-Univ-DL-5%EA%B0%95-Neural-Network [Michigan DL/cs231n] 5강: Neural Network 🔥Michigan University Deep Learning 5강🔥 velog.io 1...

📌 본 내용은 Michigan University의 'Deep Learning for Computer Vision' 강의를 듣고 개인적으로 필기한 내용입니다. 내용에 오류나 피드백이 있으면 말씀해주시면 감사히 반영하겠습니다. (Stanford의 cs231n과 내용이 거의 유사하니 참고하시면 도움 되실 것 같습니다)📌 (📁 아래에 똑같이 제가 정리해놓은 블로그 참고..! 벨로그에 있는게 더 깔끔히 정리 잘되어있습니다) https://velog.io/@ha_yoonji99/Michigan-Univ-DL-4%EA%B0%95-Optimization [Michigan DL/cs231n] 4강: Optimization 🔥Michigan University Deep Learning 4강🔥 velog.io 0. 이전시..

📌 본 내용은 Michigan University의 'Deep Learning for Computer Vision' 강의를 듣고 개인적으로 필기한 내용입니다. 내용에 오류나 피드백이 있으면 말씀해주시면 감사히 반영하겠습니다. (Stanford의 cs231n과 내용이 거의 유사하니 참고하시면 도움 되실 것 같습니다)📌 (📁 아래에 똑같이 제가 정리해놓은 블로그 참고..! 벨로그에 있는게 더 깔끔히 정리 잘되어있습니다) https://velog.io/@ha_yoonji99/3%EA%B0%95-Linear-Classifier [Michigan DL/cs231n] 3강: Linear Classifier 🔥Michigan University Deep Learning 3강🔥 velog.io 1. Parametric..

0. 목차1. Loss function 개념 2. 데이터 형식에 따른 손실 함수 3. 데이터 형식에 따른 손실 함수 - 회귀 4. 데이터 형식에 따른 손실 함수 - Entropy, Cross Entropy 5. 데이터 형식에 따른 손실 함수 - Binary, Categorical Cross Entropy 6. Index

LSTM-VAE관련 3. Methodology 첫 번째 단계인 입력 단계에서는 데이터 집합을 전처리합니다. 우리의 방법론은 특징 선택, 특징 정규화 및 창 추출이라는 여러 전처리 단계를 포함합니다. 특징 선택은 입력 데이터 집합의 개별 특징에 대해 수행됩니다. 특징은 이상 탐지 작업에 동일하게 기여하지 않을 수 있습니다. 특징은 중복될 수 있으며 (즉, 다른 특징보다 이상 샘플과 이상이 없는 샘플을 잘 구분하지 못할 수 있음) 훈련 집합에서의 특징 값 분포가 테스트 집합에서의 특징 값 분포와 크게 다를 수 있습니다. 특징 선택은 이상 탐지기의 성능에 큰 영향을 미치므로 중요합니다. 특징 정규화 단계에서는 개별 특징 값이 정규화됩니다. 특징 정규화는 이상 탐지 성능에 큰 영향을 미치며, 기계 학습 알고리즘..

0. Abstract 선생님과 학생 사이의 중간 스타일을 전달하여 보조 특징을 생성하고, 그런 다음 학생과 보조 사이의 출력 불일치를 최소화함으로써 모델을 훈련시킵니다. 훈련 중에 보조들은 두 도메인 간의 불일치를 서서히 줄이므로 학생이 선생님으로부터 쉽게 학습할 수 있도록 1. Introduction 도메인 적응의 목표는 원래 도메인(소스)에서 사용 가능한 레이블 데이터를 사용하여 학습자를 새로운 도메인(타겟)에 적응시키는 것 도메인 내 불일치와 도메인 간 불일치 고려 AF가 굳이 필요한 이유: 혼합 스타일 특징으로 훈련하는 것은 도메인 불일치를 줄이는 데 도움이 됩니다 [12, 45]. 이 사실에서 영감을 받아 보조 특징은 선생님과 학생 사이의 중간 스타일을 전송하여 생성됩니다. 그런 다음 모델은 학..

0. Abstract 오토인코더 고차원 data representation의 unsupervised learning에 매우 강력함 오토인코더 기반 앙상블 다양한 오토인코더 유형/학습 방식에 대한 포괄적인 비교 제공 1. Introduction supervised 이상탐지 이상 탐지를 위한 모델 기반 접근법 SVM과 multi layer과 같은 감독 학습 알고리즘 output 1) 이상 탐지는 예측 값과 실제 값 사이의 차이를 기반으로 수행 2) 관찰이 이상인지 아닌지를 직접 나타내는 레이블을 사용하는 것 이진 or 다중 클래스 분류 문제로 변환 한계 고품질 훈련 데이터를 얻는 것이 시간이 많 관찰이 비정상인지 아닌지에 대한 레이블(또는 근거 사실)을 얻는 것이 비용이 많이 들고 때로는 실현 불가능 uns..

Abstract 연구 목표 생산 라인의 초기 단계에서 이상 탐지 정확도를 향상시켜, 잠재적인 생산 실패로 인한 비용과 시간의 낭비를 줄임 LSTM기반 오토인코더 (unsupervised 실시간 이상탐지) Introduction 도전적인 문제 공장 가공 라인의 제조 장비에 설치된 센서에서 수집된 다변량 시계열 데이터셋을 사용하여 이상 탐지 문제를 연구 이상 데이터 레코드가 제한적이고, 이상 패턴이 매우 불규칙하며, 탐지가 시간적으로 정확해야 하는 점 때문에 이상 탐지 문제가 어려움 전통적 한계 극복방안 자기회귀 통합 이동 평균과 같은 시계열 분석 모델 기반 동적 시간 왜곡 KNN과 같은 분류 알고리즘 대부분의 분류기는 정확도를 극대화하려는 의도로 불균형 데이터셋에서 성능 떨어짐 제안 모델) LSTM-aut..