Object Detection with Tensorflow API

Object Detection 이란? Object Detection이란 사진이나 동영상에 존재하는 사물에 대해 인식하는 것을 의미합니다. 다음은 위키 피디아(Wikipedia)에서 정의한 Object detection의 정의입니다 Object detection is a computer technology related to computer vision and image processing that deals with detecting instances of semantic objects of a certain class (such as humans, buildings, or cars) in digital images and videos. Well-researched domains of object […]

Continue reading →

[통계학_제3부] 우연, 확률과 변동성(9, 10장)

제 3 부: 우연, 확률과 변동성 9장_확률이란 무엇인가 살펴볼 용어: 도수이론, 주관적 견해, 여사건, 복원추출, 비복원추출, 벤 다이어그램, 상호배반, 덧셈법칙, 조건부확률, 사전확률, 사후확률, 분할, 베이즈정리, 독립 [도수이론, frequency theory/ 주관적 견해, subjective view/ 여사건, complementary event] 확률을 보는 관점은 크게 두 가지. 도수이론과 주관적 견해.   우선 도수이론은 하나의 시행을 동일한 조건하에서 독립적으로 무한히 반복할 […]

Continue reading →

Overfitting과 Dropout

Layer가 많아질 때 발생하는 대표적인 문제점은 overfitting입니다. 왼쪽 그림처럼 어느정도의 오차도 허용해야 하는데, 오른쪽 그림처럼 선을 지나치게 구부려서 잘 분류가 되는 것처럼 보일 때 이를 overfitting 이라고 합니다. 위의 x축은 weight(layer), y축은 error를 의미하는 그래프를 살펴보면 아래의 파란선은 training set에 대해 발생하는 오차(error)를 나타내고 주황선은 test set에 대해 발생하는 오차를 나타냅니다. 이 그래프에서 얻을 수 […]

Continue reading →

가설검정 2

독립표본 T검정 독립표본? 현실적으로 모집단에 대한 전수조사가 어렵기 때문에 표본을 사용하는데, 이 때 표본을 두 개의 각 모집단으로부터 독립적으로 추출해야함 추출한 표본의 차이를 가지고 모집단의 차이를 검정하는것이 ‘독립표본 T검정’임 (서로 다른 두 개의 그룹 간의 평균 비교) 귀무가설(H0) : 두 모평균의 차이가 없음 (M1-M2=0). 대립가설(H1)  : 두 모평균의 차이가 있음 (M1-M2≠0). 독립표본 T검정의 조건 -정규성, […]

Continue reading →

가설검정 1

모집단 평균에 대한 가설검정(T-test) 가설검정이란? 통계적 추측의 하나로서, 모집단 실제의 값이 얼마가 된다는 주장과 관련해, 표본의 정보를 사용해서 가설의 합당성 여부를 판정하는 과정 귀무가설(H0) 현재 진실로서 받아들여지고 있는 사실이나 일반적으로 알려져 있는 내용을 의미함 가설검정을 하는 이유는 귀무가설이 의심을 받고 있어서 검증이 필요하기 때문 대립가설(H1) 귀무가설을 부정함으로써 새로이 입증하려는 내용을 의미함 가설검정의 종류 모집단의 평균에 […]

Continue reading →

[통계학_제2부] 상관관계와 회귀분석(7, 8장)

제 2 부: 상관관계와 회귀분석 7장_회귀분석의 오차 살펴볼 용어: RMSE, 잔차도, 등분산성, 이분산성   [제곱근-평균-제곱 오차, RMSE(Root-Mean-Square Error)] 회귀분석은 x로부터 y를 예측하는 데 쓰인다. 하지만 실제값과 예측치 사이에는 차이가 나기 마련. 그러한 차이의 기준이 되는 값이 RMSE이다.   이는 Error의 RMS값을 구한 값으로 정확히 표현하자면 오차가 아닌 추정오차의 RMS값이다. 일반적으로 추정오차는 잔차라고 부른다.   위는 […]

Continue reading →

Vanishing Gradient Problem & ReLU(Rectified Linear Unit)

1. Vanishing Gradient Problem 이란? Vanishing Gradient Problem(경사 사라짐 문제)란, 뉴럴 네트워크의 레이어 수가 많아지고, 각 레이어의 노드 수가 많아 질 수록, 마지막 레이어는 학습이 이루어지는 반면, 초기 레이어는 학습이 이루어지지 않는 문제를 의미합니다. 쉬운 이해를 위해 예시를 들어 설명해드리겠습니다. <figure 1>은 지난 시간에 다루었던 XOR 문제를 나타내고 있습니다. 우선, XOR 문제를 2개의 hidden layer를 […]

Continue reading →

[통계학_제2부] 상관관계와 회귀분석(5, 6장)

제 2 부: 상관관계와 회귀분석 5장_상관관계 살펴볼 용어: 결합분포, 양의 관계, 음의 관계, 독립변수, 종속변수, 평균점, 상관계수, 완전상관, 공분산   [결합분포, joint distribution] 두 변수간의 관계를 알고자 할 때는 각각 분석하는 것이 아닌 결합분포를 통해 살펴야함. 흔히 위와 같이 산포도를 통해 나타냄.   [양의 관계, positive association/ 음의 관계, negative association] 좌측 그림과 같이 x값이 […]

Continue reading →

Back propagation 2

  미분은 순간변화율을 말합니다.(순간 변화율을 구하는 방법이 나누기라서 미분이라고 하지 않을까..) 우선 변화율이 무엇인지 이해해보자면, 변화율이란 상대적인 개념이라는 것을 알아야합니다. ‘f의 변화율이 3이다’라는 말은 온전한 표현은 아닙니다. 무엇에 대한 변화율인지가 빠졌기 때문입니다.  예를 들어, 속도(력)는 시간에 대한 위치변화(이동거리)의 변화율이고, 직선의 기울기는 x값에 대한 y값의 변화율입니다. 즉,  변화율을 말하려면 변화율의 기준이 되는 놈이 있어야 한다는 말이고 […]

Continue reading →

XOR 문제와 Neural Network

1. XOR 문제란? XOR 문제란 <figure 1>에 나타난 것 처럼 linear 방식으로 데이터를 구분할 수 없는 문제를 말합니다. OR 문제나 AND 문제는 아래와 같이 직선을 활용하여 데이터를 명확하게 구분할 수 있지만, XOR 문제는 어떤 직선을 활용하더라도 + 와 – 를 구분할 수 없습니다. <figure 1> OR, AND, XOR problem Minsky(1969)에서는 XOR 문제를 해결할 수 있는 […]

Continue reading →