세밍 로그

https://ai.googleblog.com/2018/08/mnasnet-towards-automating-design-of.html 를 참고했습니다. CNN은 이미지 처리에 주로 사용하는 모델이라 모바일 기기에서 사용 가능성이 유망한데, CNN이 조금 무거워서(?, 아직 확실하진 않지만 문서에는 모바일 기기용 CNN을 설계하는 것이 어렵다고 합니다. 이 이유도 곧 찾아낼 예정입니다.)그렂니 모바일 기기용 CNN을 설계하는 것이 어렵다고 합니다. MobileNet, MobileNetV2와 같은 모바일 모델도 있지만 더 최적화된 모델을 만드는 것은 여전히 힘들다고 합니다. MnasNet 강화학습을 이용한 모바일 모델설계에 자동화된 신경 아키텍쳐 검색 접근법입니다. 모바일 속도 제약때문에 검색 알고리즘의 ..

Google ML Bootcamp에 참여 중입니다. 이수해야 하는 미션 중에 캐글 대회 참여가 있는데 팀을 결성하면 gcp 크레딧을 준다고 합니다. gcp 어렴풋이 알고 있었지만 정확히 잘 몰라서 한번 알아보고자 합니다. https://sjh836.tistory.com/167, https://jeinalog.tistory.com/8, https://lv99.tistory.com/4, https://wooono.tistory.com/207 의 글을 참고했습니다. 1. GCP란 구글 클라우드 플랫폼(Google Cloud Plathform)으로 구글의 데이터 센터 인프라를 기반으로 컴퓨팅, 스토리지, 네트워킹, 빅데이터, 머신러닝 등의 서비스를 제공하는 글로벌 클라우드 2. 크레딧 GCP 서비스를 사용하는 ..

내 인생에 정말 가장 큰 영향을 준, 줄 책이지 않을까 싶다. 살면서 종종 나(특히 내 뇌와 눈, 손)와 내 공부하는 도구(가령 컴퓨터 등)만 지금 존재 느낌을 느낀적이 있었다. 하지만 그때마다 이렇게 집중하고 있을 때 집중을 깨뜨려 놓고 싶은 욕망에 휩쌓인 적이 많다. 나는 하고자하고 달성하고자 하는 것이 정말 많은데 중간중간 상념과 잡념에 쉽게 사로잡혔고 굴복했다. 그런 상념과 잡념이 들면 안되는 것이라고 생각했고 거기에 굴복하니 무기력을 학습하게 되었다. 그런데 그런 생각이 드는 것이 너무 자연스럽고 대신 의도적으로 내가 원하는 방향으로 생각하고 행동하게 선택을 해가는 것이라고 생각하니 몰입하고 집중할 수 있게 되었다. 지금 이 포스팅을 쓰고 중요하다고 생각해서 밑줄 친 내용을 필사하는 와중에도 몰..

sudo vi /etc/paths 커맨드 입력 맥북 password를 입력 키보드 i를 입력 추가하고자 하는 경로를 입력 ESC를 누른 후 :wq 를 입력 수정 된 path 확인

2부. 경영의 변화 5장 왜 변화가 필요한가 뒤에 숨겨진 과정들 일본의 안경업체 JINS는 인공지능을 활용해 고객에게 어울리는 안경을 추천하는 JINS BRAIN이라는 서비스를 제공하고 있다.(3000명의 JINS 직원들이 만든 training data를 기반으로 고객이 자신의 얼굴 사진을 업로드 하면 어울리는 안경을 추천해줌) 이때 경영진들은 이면의 과정과 조직관리를 살펴봐야 한다( 얼마나 많은 이해관계가 충돌했을까, 얼마나 맣은 조직과 사람들이 관여했을까, 장애물을 넘기 위해 CEO가 강력히 추진했을까? 아님 권한을 위임받은 임원이 추진했을가. 이런일을 추진하기 위한 조직 구성은 어떻게 했을까?, 이런 아이디어가 잘 실체화된 기업의 문화는 어떨까, 원래부터 변화 관리를 잘 하는 기업이었을까? 아니면 ..

오늘날의 통계학은 경험과학에서 생길 수 있는 불확실성을 계량적으로 설명하기 위한 논리와 방법론을 연구 - 기술통계학(descriptice stastics) : 관찰된 자료를 수집하고 정리 및 요약해 현재의 상황을 이해하는 것이 목적 - 추리통계학(inferential statistics) : 모집단에서 추출된 표본 자료를 분석해 확률이론을 바탕으로 모집단의 특성을 추리하는데 중점을 둠 머신러닝과 딥러닝에게 학습시키는 과정에서 기술통계학 이론이 적용되고 새로운 입력값에 대해 결과를 예측하는 과정은 확률이론이 적용됨 상관분석과 회귀분석 상관분석 독립변수와 종속변수 간의 관계의 강도, 얼마만큼 밀접하게 관련돼 있는지를 분석하는것. 이때 변수들 간의 상관성 유무만 확인할 뿐 서로의 인과관계는 분석하지 않음 상관..

머신러닝은 3가지 접근법으로 연구가 진행되어 옴 신경모형 패러다임 : 퍼셉트론에서 출발해서 지금은 딥러닝으로 이어져 오고 있음 심볼 개념의 학습 패러다임 : 숫자나 통계 이론 대신 논리학이나 그래프 구조를 사용해 1970년대 중반~2080년대 후반까지 인공지능의 핵심적인 접근법 현대지식의 집약접 패러다임 : 백지상태에서 학습을 시작하는 신경모형을 지양하고 이미 학습된 지식은 재활용해야한다는 이론에서 출발 머신러닝 정의 카네기멜론 대학교의 톰 미첼 교수는 러닝(학습)을 " 컴퓨터 프로그램이 특정한 태스크 T를 수행할 때 성능 P만큼 개선되는 경험 E를 보이면 그 컴퓨터 프로그램은 태스크 T와 성능 P에 대해 경험 E를 학습했다고 할수 있다 " 고 정의함 실무적인 관점에서는 학습 = 표현 +평가 + 최적화 ..

1부. 도구의 이해 1장. 인공지능이란 무엇인가 명확안 정의가 없는 인공지능 인공지능은 여러사람들이 여러 정의로 다르게 인식하는 데에는 확실한 정의가 없을 뿐더러 인공지능이 발전하면서 그 모습 자체가 계속 변하고 있다는 이유도 있다. 또, 이런 변화의 속도가 일반 대중이 쉽게 따라가기 어려울 만큼 너무 빠르다는 이유도 있다. 어떻게 받아들여야 하는가 지금의 상황은 과거 산업혁명 초기와 비슷하다. 새로운 기술에 대한 오해, 두려움, 무지, 사용에 적합한 제반환경 부족, 활용분야와 활용사례가 풍부하지 않고, 일자리 감소에 대한 불안이 있는 상태 인공지능에 의해 인간이 직접 하는 것이 더 이상 효율적이지 않은 많은 직없이 사라지지만 기존에 존재하지 않았던 새로운 직업들이 많이 사라지면서 일자리의 총량은 더 커..

서문. 인공지능 in 비즈니스 인공지능 보다 더 중요한 것 보통은 인공지능 기술만 도입하면 기업의 여러 문제들이 해결되고 새로운 비즈니스 모델이 만들어지고 기업이 성장할 수 있을 것이라 기대함. 기술이 중요하다고 생각하는 것인데, 그보다는 전체 최적화, 조직간 조율, 목표 관리, 커뮤니케이션, 평가 그리고 이 모든 것을 아우르는 방향과 문화가 훨씬 더 중요 관점의 변화가 반드시 필요 인공지능과 데이터를 잘 활용하려면 그동안 당연하게 여겼던 방식과 생각을 바꿔야 함, 업무프로세스와 조직 구조를 변화 시켜야 함 인공지능의 진짜 의미 컴퓨터가 차원이 강력해져서 쓰임새가 많이 달라져 인공지능이라고 부름. 즉 강력한 컴퓨팅 기술을 바탕으로 한 새로운 데이터 활용법. 인공지능의 활은 데이터의 활용이라고 인식해야 함..

요약 확률은 '일정한 조건 아래에 어떤 사건이나 사상이 일어날 가능성의 정도'라는 정의를 가지고 있다.(표준국어 대사전) 동일한 상황에서 여러번 시행을 하고 그 결과를 통해 추정값의 평균과 그 값이 얼마나 평균 값에서 멀리 퍼질 수 있는지 파악한다. 이 때 그 평균을 0~1 사이의 값을 나타낸 것이 확률이며 어떤 모양으로 퍼져 있는지를 보는 것이 분포이다. 개별 사건에 대해서는 그 확률 분포의 평균 값이 늘 같게 나오진 않지만 '큰 수의 법칙'처럼 데이터가 많이 쌓이면 해당 분포로 수렴할 것이며 이를 기반으로 예측을 한다. 느낀점 그 때는 맞고 지금은 틀린가? 라고 생각하는 것은 개별적인 사건을 두고 봐서 생기는 일인 것 같다. 확률은 수많은 전체 데이터를 기반으로 하는 것이니 개별적인 사건이 틀리게 될..