donghunkang

1. IntroductionANNs의 성공- 딥러닝, 특히 Deep Neural Networks, DNNs 은 최근 몇 년 동안 컴퓨터 비전, 음성 인식 등의 분야에서 뛰어난 성과를 보여줌.- DNN은 연속적인 활성화 함수(continuous activation function)를 사용하고, 이를 통해 많은 데이터를 학습해 뛰어난 분류 정확도를 달성할 수 있었다. 2012년 AlexNet의 성공이 그 예로, 이미지 분류에서 인간을 능가하는 성능을 보여주었다.ANNs와 SNNs의 차이- ANNs는 연속적인 활성화를 사용하는 반면, 생물학적 신경망은 스파이크(불연속적인 신호)를 사용 - SNN은 이러한 생물학적 신경 네트워크를 모방하여 스파이크 타이밍과 스파이크 비율을 기반으로 정보를 처리- 이는 ANNs보..

관계 데이터 모델- 관계 데이터베이스 시스템에 직접 구현될 수 있도록 데이터베이스 구조를 정의하는 방법을 제공- 장점: 수학적 기초를 가짐/ 사용자에게 단순성 제공- 릴레이션 조작을 위한 연산인 관계 대수의 지원을 받음릴레이션(Relation)- 개체를 표현하기 위한 데이터 구조- 2차원 테이블로 표현# 행(Row) = 튜플(Tuple): 개체를 표현, 관련된 데이터 값들의 모임 # 열(Column) = 애트리뷰트(Attribute): 각 행의 값들의 의미를 해석하는데 사용- 튜플들의 집합(Set)데이타베이스는 릴레이션들의 모임 EX) 릴레이션 Movie ⭐ ⭐ ⭐ (용어 중요)릴레이션 스키마- 하나의 릴레이션 스키마는 하나의 개체 또는 관계성 클래스를 표현- 개체들을 표현하는데 사용하는 테이블의 구조 ..

Linear Regression"target" 이 하나가 아닌 경우 학습이 쉽지 않다. 모델 설정Model parameters (weights) ErrorLoss function(Cost function, Objective function)Object Gradient Descent- Loss surface Update RuleLearnable ParametersW, 데이터 고정, model과 loss function도 정의되어 있음.변하는 것 (학습해야 하는 대상)은 W다.  Pseudo Code Learning rate(lr)1. Small Learning rate: 많은 시간이 든다.2. Large Learning rate: 수렴에 실패할 수 있다.=> 적당한 Learning rate 필요 Small..

주제최근 SNN(Spiking Neural Network)에 대해 알게되어 이에 대해 다양한 LLM에게 동일한 질문을 해보도록 하겠습니다.질문 내용은 "SNN(spiking neural network)에 대해 설명해줘."로 통일했습니다. LLM 선택저는 위의 LLM 모델들 중 A.X/ Perplexxity/ GPT 40/ Claude 3 Opus 를 사용해보았습니다. A.X- SNN의 주요 개념을 간단하게 소개합니다.- 기본 구조와 작동 방식에 대해서도 간략하게 전달합니다.- 기본 특징과 응용분야에 대해 언급합니다.=> 대화형 모델의 특징에 맞게 간략하게 SNN에 대해 여러 방면으로 설명하고 있습니다. Perplexity- 이미지와 함께 기본 개념을 하는 역할을 포함하여 더욱 자세하게 전달합니다.- SN..

강화학습 구조 (Reinforcement Learning Structure)- Agent: 강화학습에서 학습을 수행하는 주체- Environment: 에이전트가 상호작용하는 공간이나 시스템- State: 에이전트가 인식하는 환경의 현재 상태- Action: 에이전트가 환경에 대해 취하는 행동- Reward: 에이전트가 행동의 결과로 받는 피드백- Observation: 에이전트는 환경에서 특정 데이터를 관찰하고, 이를 바탕으로 다음 행동을 결정주요 특징1.  No supervisor: 정답 레이블이 제공되지 않고, 에이전트가 보상만을 기반으로 학습.2.  Data-driven: 데이터 기반3. Discrete time space: 이산적인 시간 단계4. Sequential data scream: 데이터가..

데이터 (Data)현실 세계로부터 단순한 관찰이나 측정을 통해서 수집된 사실이나 값정보 (Information)- 데이터를 처리해서 얻어진 결과- 어떤 상황에 대한 적절한 결정을 할 수 있게 하는 지식- 데이터의 유효한 해석이나 데이터 상호간의 관계정보 시스템 (Information system) 한 조직체의 활동에 필요한 데이터를 수집, 조직, 저장해 두었다가 필요시에 처리해서 의사 결정에 유효한 정보를 생성하여 분배하는 수단데이터베이스 시스템정보 처리 시스템이 그 기능을 효과적으로 수행할 수 있게 하는 가장 기본이 되는 도구데이터베이스 시스템 구성요소: 데이터베이스와 데이터베이스 DBMS를 합침Q) 데이터베이스 시스템 VS 데이터베이스A) 데이터베이스 시스템: 데이터베이스 + DBMS     데이터베..

연립방정식과 시스템 기계학습과 시스템 기계학습학습: Dataset(input, target)을 가지고 model의 parameters를 찾는 것. EX) Linear regression 기계학습의 모델링(Modeling)- 어떤 모델을 쓸 것인가? / 입력의 형태를 보고 설계한다.- Dataset의 특징에 따라 설계가 달라진다. 데이터의 TypeNumerical data => Regression (내일의 최고 온도 예측/ 나이에 따른 독서량)EX) 나이, 신장(키), 꽃받침 길이Internal data: IQ, 연도, 온도Ratio data: 개수, 길이, 무게 => "0"을 정의할 수 있다.(곱셈, 나눗셈 가능)Categorical data => Classification (내일 강수 여부 예측/ 이미..

안녕하세요! SKT 얼리어닷터 1기 강동훈입니다.  첫번째 퀘스트로 에이닷에서 사용하는 멀티 LLM을 비교/분석해보도록 하겠습니다.[퀘스트A] 멀티 LLM"멀티 LLM"은 무엇일까요? SKT 에이닷에 있는 SKT 대화형 LLM인 A.X에게 질문해보았습니다.멀티 LLM이란?여러 언어를 처리하고 이해할 수 있는 대규모 언어 모델.LLM(Large Language Model)이란?매우 방대한 데이터 세트를 바탕으로 학습된 인공지능(AI) 언어 모델입니다. 이 모델들은 사람의 언어를 이해하고 생성하며, 다양한 언어 작업을 수행할 수 있습니다. 멀티 LLM의 종류 그렇다면 LLM에는 어떤 것들이 있고 어느 상황에서 사용하는게 좋을까? 다음은 SKT에이닷에 탑재되어 있는 AI의 종류입니다.에이닷에서는 아래와 같은 ..

R-CNN (Region Proposal CNN)YOLO (You Only Look Once)YOLO v1 구조총 24개의 convolution layer와 2개의 fully connected layer로 구성앞의 20개의 convolution layer는 ImageNet 데이터셋으로 pretrain뒤의 4개 convolution layer와 2개의 fully connected layer를 더 붙여서 Pascal VOC데이터로 Fine tuninglabelme를 이용한 데이터 라벨링

딥러닝 기반 이미지 분류컴퓨터에서 이미지는 매트릭스 형태로 표현되고 처리시점, 크기, 회전, 조명 변화, 가려짐 등으로 인하여 분류가 어려움기존의 이미지 분류 방법은 처리에 유리한 정보를 추출하고 분류기를 학습딥러닝 기반 방법은 Deep Neural Network를 이용하여 피쳐 추출과 분류기 학습을 동시에 수행Deep Neural Network(DNN), Convolution Neural Network(CNN), Deep Convolution Neural Network(DCNN) Convolution Layerconvolution: 필터(가중치)를 이미지에 슬라이드 하면서, 이미지와 필터의 각 원소끼리 곱하고, 그 결과를 모두 더하는 연산Feature map을 생성 Pooling LayerTransla..