PowerPoint 프레젠테이션
|
|
|
- 탐희 지
- 5 years ago
- Views:
Transcription
1 딥러닝소개 < 인공지능입문 > 강의 허민오 Biointelligence Laboratory School of Computer Science and Engineering Seoul National University (C) , SNU Biointelligence Lab, 1
2 Playground (playground.tensorflow.org) 2018, 인공지능입문, SNU CSE Biointelligence Lab., 2
3 (C) , SNU Biointelligence Lab, 3
4 목차 리뷰 : 신경망 신경망에서딥러닝으로 컨볼루션망 (Convolutional neural networks) LeNet5 AlexNet GoogLeNet (C) , SNU Biointelligence Lab, 4
5 Neural networks 뉴런에서인공뉴런으로 출처 : 장병탁, 장교수의딥러닝, (C) , SNU Biointelligence Lab, 5
6 Neural networks: perceptron (Simple) Perceptron (C) , SNU Biointelligence Lab, 6
7 다수 / 다층뉴런의필요성 Neural networks: MLP Multiple boundaries are needed (e.g. XOR problem) Multiple Units More complex regions are nee ded (e.g. Polygons) Multiple Layers (!) Proved that MLPs are universal function approximators, Cybenko 1989 (C) , SNU Biointelligence Lab, 7
8 Neural networks: MLP Multi-layer Perceptron (MLP) 다층퍼셉트론의혁신 시그모이드뉴런의사용 비선형모델로확장가능 연속함수이므로미분가능 은닉뉴런층의학습을가능하게하는오류역전파알고리즘의개발로이어짐 은닉뉴런층추가 은닉층학습방법도입 2-layer neural net or 1-hidden-layer neural net Fully-connected laye (C) , SNU Biointelligence Lab, 8
9 Neural networks: Backpropagation (C) , SNU Biointelligence Lab, 9
10 (C) , SNU Biointelligence Lab, 10
11 딥러닝개념과혁신점 뇌인지과학적배경 : 뇌의시각피질 딥러닝구조 시각피질 (V1,V2, V4, IT): 점차적으로복잡한정보추출 하위층 상위층 : 라인탐지, 에지검출, 물체인식등점차복잡한정보처리 2017, 장교수의딥러닝, SNU CSE Biointelligence Lab., 11
12 딥러닝의특징 Traditional Supervised Learning f1 f 2 Input Featu r e Ex t r a ction P r e p r o c e s s i n g f 1 f n Classifier Output Deep Learning Input F e a t u r e E x t r a c t i o n F e a t u r e E x t r a c t i o n. F e a t u r e E x t r a c t i o n Classifier Output (C) , SNU Biointelligence Lab, 12
13 Visualizing in Deep Neural Networks Yosinsky et al., ICML 2015 (C) , SNU Biointelligence Lab, 13
14 MLP 기술적문제와딥러닝의해결책 MLP 시대의한계 2 계층을넘는 MLP는잘학습되지않음 Overfitting, Local optima가많은탐색공간 매우느리고고차원데이터처리가잘되지않음 High dimensionality Slow learning time 해결책 Vanishing gradient 문제임이알려짐 ReLU Dropout, Convolution (weight sharing), Max pooling GPU, Big data Vanishing gradient (C) , SNU Biointelligence Lab, 14
15 딥러닝의혁신점 (1/4) 뉴런의수를증가하거나층의수를증가하여보다복잡한문제를해결할수있음. 아주복잡한패턴분류경계면을생성 컴퓨팅파워향상 고난도학습실험수행 많은데이터 과다학습방지 2017, 장교수의딥러닝, SNU CSE Biointelligence Lab., 15
16 딥러닝의혁신점 (2/4) 많은수의층으로구성된다층신경망을학습할수있는기술개발 오차신호희석 (vanishing gradient) 문제 : 층별선훈련 (layerwise pre-training) 방법 먼저하위층의시냅스부터상위층으로순차적으로학습 먼저무감독학습후최종적으로감독학습 2017, 장교수의딥러닝, SNU CSE Biointelligence Lab., 16
17 딥러닝의혁신점 (3/4) 컨볼루션커널 (Convolution Kernels) 도입을통해복잡도를줄임 매층에서뉴런수용영역의크기를줄여전체매개변수수를줄임 대신다수의층을사용함. 매개변수값을공유함으로써매개변수의수를추가로줄임 서브샘플링또는풀링을사용하여차원수를또줄임. 2017, 장교수의딥러닝, SNU CSE Biointelligence Lab., 17
18 새로운뉴런활성화함수도입으로오차희석문제완화 정류선형유닛 (ReLU, Rectified Linear Units) 뉴런이선형적으로활성화 미분시경사도가 0 이아닌상수 오차희석방지 딥러닝의혁신점 (4/4) 2017, 장교수의딥러닝, SNU CSE Biointelligence Lab., 18
19 분산표현 (Distributed Representations) Distributed Representations 파라미터수증가에따라구분가능영역이 exponential 하게증가함 cf) knn, 차원의저주 (curse of dimensionality) From Yoshua Bengio s slides (C) , SNU Biointelligence Lab, 19
20 뇌와유사한구조 두뇌신경망의구조모사 요약 : 딥러닝모델의특징 상위층으로갈수록추상화된 정보 가학습과정에서자동으로생성될것으로기대 (bottom-up, learning through layers) 문제해결과정을학습을통해최대한자동화 (end-to-end) 인간 전문가 의개입을최대한배제하고오직 raw input 과 output 사이의모든과정을데이터에서학습하는방향추구 음성인식및번역을위한딥러닝모델사례 (Baidu) 분산표현 / 정보처리 (distributed representation) 두뇌의또다른중요한특징모방 여러뉴런이협력하여정보저장 / 처리 ( 메모리적특성 ) 차원의저주를피해일반화성능향상 Local minima 문제완화됨 (C) , SNU Biointelligence Lab, 20
21 컨볼루션망 (Convolutional Neural Networks) Partially from Lecture note 7 cs231n class in Stanford Univ. Partially from 기계학습개론 ( 장병탁 ) 강의노트 (C) , SNU Biointelligence Lab, 21
22 컨볼루션신경망의기본개념 완전연결다층신경망 (MLP) 의문제점 인접한두계층의뉴런들간에완전연결구조 (fully connected) 이론적으로는문제해결이가능하나큰영상의경우문제복잡도가매우커짐 이미지의위치, 각도, 크기변화등에취약 별도의특징추출 (feature extraction) 이필요 컨볼루션신경망 (CNN) 의해결책 부분적인수용영역을갖는컨볼루션커널을도입하여복잡도를감소시킴 층을쌓아가며입력영상의정보를재조합, 점진적으로추상적인특징지도를학습 이미지의위치, 각도, 크기변화등에상대적으로견고 특징추출과분류의두단계를하나로통합 (C) , SNU Biointelligence Lab, 22
23 컨볼루션신경망의기본개념 컨볼루션신경망의특성 컨볼루션층 (convolution layer) 과서브샘플링층 (subsampling layer) 을반복적으로적용 서로다른위치에있는컨볼루션커널들의가중치를공유 (weight sharing) 문제특징에맞는여러종류의컨볼루션커널을설계해서사용가능 컨볼루션신경망의장점 실제매개변수의수보다훨씬적은수를학습 빠른학습속도 / 우수한일반화능력 일반적으로우수한성능 (AlexNet, DeepFace, GoogLeNet 등의성공사례 ) (C) , SNU Biointelligence Lab, 23
24 컨볼루션신경망의기본구조 컨볼루션신경망의구조 다수의컨볼루션층 (C) 다수의서브샘플링층 (S) 후반의완전연결층 (F) A 자문자이미지를인식하는 CNN 의구조 (LeCun et al., 1998) (C) , SNU Biointelligence Lab, 24
25 MNIST LeNet5 Visualization (C) , SNU Biointelligence Lab, 25
26 컨볼루션층 CNN (Convolutional Neural Network) 입력이미지에컨볼루션커널을적용하여특징맵 (feature map) 생성 컨볼루션커널 특징을추출하는일종의템플릿 (template) 위치를바꾸어가며여러번반복적으로적용 위치가바뀌어도연결가중치는공유 (weight sharing) 위치에무관한특징추출 & 학습할전체매개변수수감소 특징 서로다른특징맵 ( 커널 ) (C) , SNU Biointelligence Lab, 26
27 Convolution in CNN Slide over the image spatially Computing dot product cf) why not cross correlation? 필터의모양 Stride: 1 No zero padding (C) , SNU Biointelligence Lab,
28 컨볼루션층 커널에따른결과물의차이 원본이미지 (224 x 224 x 3) 회색조이미지 (224 x 224 x 1) Kernel 의 4 가지예 ( 7 x 7 ) Source: (C) , SNU Biointelligence Lab, 28
29 Input image to activation map (C) , SNU Biointelligence Lab, 29
30 Input image to activation map (C) , SNU Biointelligence Lab, 30
31 Input image to activation map (C) , SNU Biointelligence Lab, 31
32 Input image to activation map (C) , SNU Biointelligence Lab, 32
33 ConvNet: a sequence of ConvLayers (C) , SNU Biointelligence Lab, 33
34 서브샘플링층 서브샘플링 공간적해상도를줄여줌 차원축소 문제의복잡도감소 물체의위치및각도변화에견고 서브샘플링의종류 최대풀링 (max pooling) 최대치를취함 평균풀링 (average pooling) 평균치를취함 Min pooling L2-norm pooling (C) , SNU Biointelligence Lab, 34
35 ConvNet Application Example (C) , SNU Biointelligence Lab, 35
36 ConvNet Application Example (C) , SNU Biointelligence Lab, 36
37 ConvNet Application Example (C) , SNU Biointelligence Lab, 37
38 ConvNets going Deeper and Deeper (C) , SNU Biointelligence Lab, 38
39 CNN 의예 : LeNet5 LeCun 에의해고안됨 (1998) 구조 입력 (Input) : 32x32 픽셀이미지 컨볼루션 : 5x5 특징맵사용 서브샘플링 : ½ 로축소 완전연결층 : 방사기저함수 (RBF) 사용 신경망층에의한크기변화 입력 : 32 x 32 C1 : 6 x 28 x 28 S2 : 6 x 14 x 14 C3 : 16 x 10 x 10 S4 : 16 x 5 x 5 C5 : 120 F6 : 84 출력 : 10 (C) , SNU Biointelligence Lab, 39
40 CNN 의예 : LeNet5 출력값계산 84 y j = å ( f i - w ij ) 2, j = 0,1,...,9 i=1 : 출력영상특징값 : 목표영상특징값 모델파라미터수 전체연결선 : 약 187,000 개 ((28 x 28) x 236 x 10 의완전연결 ) 실제학습되는가변가중치 : 약 14,000 개 완전연결다층신경망의 10% 이하 (C) , SNU Biointelligence Lab, 40
41 CNN 의예 : LeNet5 LeNet5 의활성함수 컨볼루션층 : 시그모이드함수 (sigmoidal function) 완전연결층 : 가우스분포형태의방사기저함수 (radial basis function, RBF) 정류선형유닛 (rectified linear unit, ReLU) 최근에가장많이사용되는활성함수 포화가되지않는 (non-saturating) 비선형구조 (cf. 시그모이드 : 포화되는 (saturating) 비선형구조 오차신호희석문제 (vanishing gradient problem) 을완화, 빠른수렴 (C) , SNU Biointelligence Lab, 41
42 AlexNet 9 층딥러닝구조 (Krizhevsky, Sutskever, & Hinton, 2012) ILSVRC 위 : 상위 5 개 (top-5 error) 테스트에러율 15.3% (2 위 : 26.2%) 딥러닝이기존의컴퓨터비전기법의성능을월등히능가한최초사례 GPU 사용 후속딥러닝연구촉발 (C) , SNU Biointelligence Lab, 42
43 ImageNet Data 대규모물체인식콘테스트 (ILSVRC) 에서사용되는대용량데이터집합 카테고리 ~ 2 만 2 천개, 이미지 ~ 1 천 5 백만장 웹에서수집한이미지 + 아마존미케니컬터크 (AMT) 크라우드소싱을이용한라벨링 ILSVRC(ImageNet Large-Scale Visual Recognition Challenge) PASCAL Visual Object Challenge 의일부 카테고리 = 1,000 개, 훈련이미지 = 120 만장검증이미지 = 5 만장, 테스트이미지 = 15 만장 쉬운클래스 어려운클래스 (C) , SNU Biointelligence Lab, 43
44 ImageNet 데이터집합에대한매년성능향상 layers layers 19 layers layers 8 layers shallow ILSVRC 15 ResNet ILSVRC 14 GoogleNet ILSVRC 14 VGG ILSVRC 13 ILSVRC 12 AlexNet ILSVRC 11 ILSVRC 10 (C) , SNU Biointelligence Lab, 44
45 AlexNet 의구조 8 개의가중치층 (5 개의컨볼루션, 3 개의완전연결 ) 마지막완전연결층 (fully-connected, fc) 의출력 클래스에대한확률분포를생성하는함수 ( 소프트맥스 ) 에입력 노드의활성화함수로 ReLU 사용 다항분포로지스틱회귀함수 (logistic regression function) 를최대화하도록학습 제 1,2,5 컨볼루션층 : w/ 서브샘플링, 제 3,4 컨볼루션층 : w/o 서브샘플링 (C) , SNU Biointelligence Lab, 45
46 GPU 병렬처리 GTX 580 GPU (3GB) x 2 사용 단일 GPU 로 120 만장의훈련이미지학습불가능 전체망을각 GPU 로분산 각 GPU 는각층에서절반의커널을수용 1-2 / 3-4 / 4-5 층 : 같은 GPU 에있는커널맵에만연결 2-3 / 5-fc / fc-fc 층 : 다른 GPU 의커널맵까지포함하여연결 (C) , SNU Biointelligence Lab, 46
47 앙상블학습 (ensemble learning) Dropout 서로다른모델들의예측을결합함으로테스트에러를낮춤 딥러닝모델은학습요구시간이크기때문에앙상블학습이어려움 드랍아웃 (dropout) 뉴런의출력을일정확률로 0으로고정 : 제거된 뉴런은전파와역전파모두참여하지않음 매번다른구조를샘플링 앙상블학습과비슷한효과 공적응 (co-adaptation) 제거효과 : 뉴런간의의존도를낮춤 테스트시 ( 모든뉴런의출력 x 0.5): 드랍아웃망들의예측분포의기하평균 AlexNet 적용 완전연결망에만이용 w/o 드랍아웃 : 과다학습 (overfitting) 현상발생 수렴시간은통상의 2배 (C) , SNU Biointelligence Lab, 47
48 GoogLeNet 더깊게. 더깊게. 하지만너무무겁지않게. 22 층짜리컨볼루션신경망으로인셉션모듈이라는빌딩블록을반복적으로사용 딥러닝은층의수와각층에포함되는노드의수성능. 하지만노드수컴퓨팅파워와기억용량. 과다학습의위험. 인셉션모듈 (inception module) 의핵심아이디어 : 컨볼루션신경망의최적인지역적희소구조를찾아내고이를사용가능한자원으로근사 이행불변성 (translation invariance) 필터의크기를 1 1, 3 3, 5 5 의세가지로제한. 각단계에서다른병렬풀링경로를더해주는것이유용. 인셉션모듈 (C) , SNU Biointelligence Lab, 48
49 문제점과해결책 : 인셉션모듈 GoogLeNet 상위층으로갈수록고차의추상적인특징들을추출되어그공간적인밀집도가줄어들기때문에컨볼루션사이즈축소 문제점 : 아주많은수의필터에대해서컨볼루션층을구성할때비용이많이소모. 해결법 : 임베딩 (embedding) 의이점을활용하여, 계산량이크게증가하게되면차원을줄임 구글넷구조의핵심 : 상위층에서의계산복잡도를줄이면서각층의노드수를증가시킴. 큰크기의패치를사용하여계산량이많은컨볼루션을하기전에차원축소 (1 1 컨볼루션 ) 를사용함으로써이를구현. 다양한스케일시각정보들의특징들을동시에결합하는것이좋다는실용적인직관을따름. 성능에약간의손해를보면서계산비용을줄이는방법. 3~10 배의속도를향상하면서도유사한성능을달성. (C) , SNU Biointelligence Lab, 49
50 1x1 Convolution in GoogLeNet (C) , SNU Biointelligence Lab, 50
51 학습 GoogLeNet 보조분류기 : 인셉션모듈의출력위에작은컨볼루션망을추가하는방식 보조분류기에서계산되는손실값이구글넷전체손실값에 (0.3 의할인가중치를곱해서 ) 더해짐. 추론시에는이보조망은사용되지않음. 추가망의구체적인구조 필터크기와간격의평균풀링층을사용하여 의 (4a) 층출력과 의 (4d) 염탐층 (stag) 1,024 개의정류선형유닛 (ReLU) 뉴런으로구성된완전연결층 70% 비율로소거된출력을갖는드랍아웃층 소프트맥스손실치를갖는선형층의분류기 ( 주분류기와같은 1000 개의분류를예측하나추론시에는사용않음 ) 모델과데이터병렬성을이용하는 DistBelief 분산학습시스템을이용 비동기확률적경사도강하알고리듬을사용 0.9 의모멘텀요소와고정된학습률사용 매 8 번학습주기마다 4% 씩학습률을줄임 (C) , SNU Biointelligence Lab, 51
52 GoogLeNet 데이터 알렉스넷 (AlexNet) 에비해 12 배적은수의매개변수를사용하면서도더높은정확도를획득 대회에서구글넷은독립적으로 7 가지의버전을훈련시킨후이를앙상블하여결과를예측 2012 년의 SuperVision 방법에비해서성능을상대적으로 56.5% 향상한것이며, 2011 년우승팀인 Clarifai 에비해서 40% 상대적인성능향상을이룸 (C) , SNU Biointelligence Lab, 52
53 Deep Residual Networks (ResNet) (C) , SNU Biointelligence Lab, 53
Figure 4.2 컨볼루션 (C) 과서브샘플링 (S) 그림 4.3 은컨볼루션의아이디어를설명하고있다. 완전연결층, 지역연결층과비교하여컨볼루션층이어떻게다른지를설명한다. 완전연결층은이웃한층의뉴런간에연결선이존재하는데, 하나의층에있는모든뉴런과이웃한층에있는모든뉴런이연결된다. 즉
기계학습개론 / 딥러닝강의노트, 서울대학교컴퓨터공학부장병탁, Copyright 2013-2016 4 장 : 컨볼루션신경망 4.1 CNN 구조 4.2 AlexNet 4.3 DeepFace 4.4 GooLeNet 4.1 CNN 구조 컨볼루션신경망 (Convolutional Neural Networks, CNN) 은영상처리를위해고안된특수한연결구조를가진다층신경망이다
Introduction to Deep learning
Introduction to Deep learning Youngpyo Ryu 동국대학교수학과대학원응용수학석사재학 youngpyoryu@dongguk.edu 2018 년 6 월 30 일 Youngpyo Ryu (Dongguk Univ) 2018 Daegu University Bigdata Camp 2018 년 6 월 30 일 1 / 66 Overview 1 Neuron
<4D6963726F736F667420576F7264202D20B1E2C8B9BDC3B8AEC1EE2DC0E5C7F5>
주간기술동향 2016. 5.18. 컴퓨터 비전과 인공지능 장혁 한국전자통신연구원 선임연구원 최근 많은 관심을 받고 있는 인공지능(Artificial Intelligence: AI)의 성과는 뇌의 작동 방식과 유사한 딥 러닝의 등장에 기인한 바가 크다. 이미 미국과 유럽 등 AI 선도국에서는 인공지능 연구에서 인간 뇌 이해의 중요성을 인식하고 관련 대형 프로젝트들을
때문이다. 물론가장큰이유는, 다음절에서살펴보겠지만최근들어딥러닝구조를학습하는데필요한여러가지테크닉들이개발되었기때문이다 [6,7]. 딥러닝이산업현장에서선호되는데는몇가지이유가있다. 일단은어려운문제를잘해결한다는것이다. 예를들어서, 물체인식과음성인식등전통적인패턴인식의문제에서딥러닝
![때문이다. 물론가장큰이유는, 다음절에서살펴보겠지만최근들어딥러닝구조를학습하는데필요한여러가지테크닉들이개발되었기때문이다 [6,7]. 딥러닝이산업현장에서선호되는데는몇가지이유가있다. 일단은어려운문제를잘해결한다는것이다. 예를들어서, 물체인식과음성인식등전통적인패턴인식의문제에서딥러닝](/thumbs/91/104687743.jpg "때문이다. 물론가장큰이유는, 다음절에서살펴보겠지만최근들어딥러닝구조를학습하는데필요한여러가지테크닉들이개발되었기때문이다 [6,7]. 딥러닝이산업현장에서선호되는데는몇가지이유가있다. 일단은어려운문제를잘해결한다는것이다. 예를들어서, 물체인식과음성인식등전통적인패턴인식의문제에서딥러닝")
기계학습개론 / 딥러닝강의노트, 서울대학교컴퓨터공학부장병탁, Copyright 2013-2016 3 장 : 딥러닝모델과모델복잡도이론 3.1 딥러닝개념 3.2 딥러닝의혁신점 3.3 딥러닝아키텍쳐 3.4 모델복잡도이론과정규화 3.5 딥러닝모델의비교 3.1 딥러닝개념 30 년전에는인공지능의기초연구분야에속하던머신러닝이최근구글, 애플, 삼성등글로벌기업들이앞다투어확보하려는핵심산업기술로발전하고있다.
Ch 1 머신러닝 개요.pptx
Chapter 1. < > :,, 2017. Slides Prepared by,, Biointelligence Laboratory School of Computer Science and Engineering Seoul National University 1.1 3 1.2... 7 1.3 10 1.4 16 1.5 35 2 1 1.1 n,, n n Artificial
신경망 (Neural Networks) < 인공지능입문 > 강의 허민오 Biointelligence Laboratory School of Computer Science and Engineering Seoul National University
신경망 (Neural Networks) < 인공지능입문 > 강의 허민오 Bioitelligece Laboratory School of Computer Sciece ad Egieerig Seoul Natioal Uiversity 목차 신경망이란? 퍼셉트론 - 퍼셉트론의구조와학습목표 - 퍼셉트론의활성화함수 - 퍼셉트론의학습 : 델타규칙신경망의학습 - 다층퍼셉트론
1-1-basic-43p
A Basic Introduction to Artificial Neural Network (ANN) 도대체인공신경망이란무엇인가? INDEX. Introduction to Artificial neural networks 2. Perceptron 3. Backpropagation Neural Network 4. Hopfield memory 5. Self Organizing
딥러닝 첫걸음
딥러닝첫걸음 4. 신경망과분류 (MultiClass) 다범주분류신경망 Categorization( 분류 ): 예측대상 = 범주 이진분류 : 예측대상범주가 2 가지인경우 출력층 node 1 개다층신경망분석 (3 장의내용 ) 다범주분류 : 예측대상범주가 3 가지이상인경우 출력층 node 2 개이상다층신경망분석 비용함수 : Softmax 함수사용 다범주분류신경망
Microsoft PowerPoint - 실습소개와 AI_ML_DL_배포용.pptx
실습강의개요와인공지능, 기계학습, 신경망 < 인공지능입문 > 강의 허민오 Biointelligence Laboratory School of Computer Science and Engineering Seoul National University 실습강의개요 노트북을꼭지참해야하는강좌 신경망소개 (2 주, 허민오 ) Python ( 프로그래밍언어 ) (2주, 김준호
PowerPoint Presentation
기계학습을통한 시계열데이터분석및 금융시장예측응용 울산과학기술원 전기전자컴퓨터공학부최재식 얼굴인식 Facebook 의얼굴인식기 (DeepFace) 가사람과비슷한인식성능을보임 문제 : 사진에서연애인의이름을맞추기 사람의인식율 : 97.5% vs DeepFace 의인식률 : 97.35% (2014 년 3 월 ) 물체인식 ImageNet (http://image-net.org):
( 분류및특징 ) 학습방법에따라 1 지도학습 (Supervised 2 비지도 학습 (Unsupervised 3 강화학습 (Reinforcement 으로구분 3) < 머신러닝의학습방법 > 구분 지도학습 (Supervised 비지도학습 (Unsupervised 강화학습 (
보안연구부 -2016-016 머신러닝 (Machine 개요및활용동향 - 금융권인공지능 (AI) 을위한머신러닝과딥러닝 - ( 보안연구부보안기술팀 / 2016.3.24.) 개요 이세돌 9단과인공지능 (AI, Artificial Intelligence) 알파고 (AlphaGo) 의대국 ( 16 년 3월 9~15일총 5국 ) 의영향으로 4차산업혁명단계 1) 진입을인식함과더불어금융권에서도인공지능기술이주목받게됨에따라,
논문제출양식
DenseNet 을이용한 P2P 소셜대출에서상환예측 김지윤, 조성배 Department of Computer Science, Yonsei University 50, Yonsei-ro, Seodaemun-gu, Seoul, 03722, South Korea Tel: +82-2-2123-3877, Fax: +82-2-365-2579, E-mail: jiyoon_kim@yonsei.ac.kr,
Ch 8 딥강화학습
Chapter 8. 딥강화학습 < 기계학습개론 > 강의서울대학교컴퓨터공학부장병탁 교재 : 장교수의딥러닝, 홍릉과학출판사, 2017. Slides Prepared by 장병탁, 최진영 Biointelligence Laboratory School of Computer Science and Engineering Seoul National University Version
PowerPoint 프레젠테이션
Chapter 1. 머신러닝개요 < 기계학습개론 > 강의서울대학교컴퓨터공학부장병탁 교재 : 장교수의딥러닝, 홍릉과학출판사, 2017. Slides Prepared by 장병탁, 김준호, 이상우 Biointelligence Laboratory School of Computer Science and Engineering Seoul National University
2 : (EunJu Lee et al.: Speed-limit Sign Recognition Using Convolutional Neural Network Based on Random Forest). (Advanced Driver Assistant System, ADA
(JBE Vol. 20, No. 6, November 2015) (Regular Paper) 20 6, 2015 11 (JBE Vol. 20, No. 6, November 2015) http://dx.doi.org/10.5909/jbe.2015.20.6.938 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) a), a),
PowerPoint Presentation
4 장. 신경망 들어가는말 신경망 1940년대개발 ( 디지털컴퓨터와탄생시기비슷 ) 인간지능에필적하는컴퓨터개발이목표 4.1 절 일반적관점에서간략히소개 4.2-4.3 절 패턴인식의분류알고리즘으로서구체적으로설명 4.2 절 : 선형분류기로서퍼셉트론 4.3 절 : 비선형분류기로서다층퍼셉트론 4.1.1 발상과전개 두줄기연구의시너지 컴퓨터과학 계산능력의획기적발전으로지능처리에대한욕구의학
다중 곡면 검출 및 추적을 이용한 증강현실 책
1 딥러닝기반성별및연령대 추정을통한맞춤형광고솔루션 20101588 조준희 20131461 신혜인 2 개요 연구배경 맞춤형광고의필요성 성별및연령별주요관심사에적합한광고의필요성증가 제한된환경에서개인정보획득의한계 맞춤형광고의어려움 영상정보기반개인정보추정 연구목표 딥러닝기반사용자맞춤형광고솔루션구현 얼굴영상을이용한성별및연령대추정 성별및연령대를통합네트워크로학습하여추정정확도향상
Multi-pass Sieve를 이용한 한국어 상호참조해결 반-자동 태깅 도구
Siamese Neural Network 박천음 강원대학교 Intelligent Software Lab. Intelligent Software Lab. Intro. S2Net Siamese Neural Network(S2Net) 입력 text 들을 concept vector 로표현하기위함에기반 즉, similarity 를위해가중치가부여된 vector 로표현
<4D F736F F D20B1E2C8B9BDC3B8AEC1EE2DB0FBB3EBC1D8>
딥러닝기술동향 - CNN 과 RNN 을중심으로 - 곽노준박성헌 * 김대식 * 서울대학교교수서울대학교박사과정 * 본고에서는딥러닝의여러가지분야중최근영상인식분야에서기존방법들보다월등한성능을보이고있는컨볼루션신경망 (Convolutional Neural Networks: CNN) 과음성인식이나자연어처리등에적용되어뛰어난성능을보이는순환신경망 (Recurrent Neural
표상학습을이용한딥러닝이미지특성의범용분류성에대한실험적분석 지도교수장병탁 이논문을공학학사학위논문으로제출함 년 12 월 21 일 서울대학교공과대학컴퓨터공학부한동식 2016 년 2 월
표상학습을이용한딥러닝이미지특성의범용분류성에대한실험적분석 Experimental Analyses on Generalized Discriminability of Deep Convolutional Image Features using Representational Learning 서울대학교공과대학컴퓨터공학부한동식 표상학습을이용한딥러닝이미지특성의범용분류성에대한실험적분석
02본문
87 특집 딥러닝기반방송미디어기술 CNN 과 RNN 의기초및응용연구 이은주 / 계명대학교 Ⅰ. 서론 2016 년 3월, 전세계적으로굉장히이슈가되는사건이있었다. 다름아닌, 구글딥마인드 (Deep Mind) 가개발한인공지능바둑프로그램인알파고 (AlphaGo) 와이세돌 9단의바둑대결에서컴퓨터가 4대 1이라는압승을거둔것이다. 이때, 일반대중들에게바둑에대한관심못지않게오래된패러다임으로생각되었던인공지능에대한관심이폭발적으로증가하게되었다
Artificial Intelligence: Assignment 6 Seung-Hoon Na December 15, Sarsa와 Q-learning Windy Gridworld Windy Gridworld의 원문은 다음 Sutton 교재의 연습문제
Artificial Intelligence: Assignment 6 Seung-Hoon Na December 15, 2018 1 1.1 Sarsa와 Q-learning Windy Gridworld Windy Gridworld의 원문은 다음 Sutton 교재의 연습문제 6.5에서 찾아볼 수 있다. http://incompleteideas.net/book/bookdraft2017nov5.pdf
보고싶었던 Deep Learning과 OpenCV를이용한이미지처리과정에대해공부를해볼수있으며더나아가 Deep Learning기술을이용하여논문을작성하는데많은도움을받을수있으며아직배우는단계에있는저에게는기존의연구를따라해보는것만으로도큰발전이있다고생각했습니다. 그래서이번 DSP스마
특성화사업참가결과보고서 작성일 2017 12.22 학과전자공학과 참가활동명 EATED 30 프로그램지도교수최욱 연구주제명 Machine Learning 을이용한얼굴학습 학번 201301165 성명조원 I. OBJECTIVES 사람들은새로운사람들을보고인식을하는데걸리는시간은 1초채되지않다고합니다. 뿐만아니라사람들의얼굴을인식하는인식률은무려 97.5% 정도의매우높은정확도를가지고있습니다.
_KrlGF발표자료_AI
AI 의과거와현재그리고내일 AI is the New Electricity 2017.09.15 AI! 2 Near Future of Super Intelligence? *source l http://www.motherjones.com/media/2013/05/robots-artificial-intelligence-jobs-automation 3 4 I think
(JBE Vol. 23, No. 2, March 2018) (Special Paper) 23 2, (JBE Vol. 23, No. 2, March 2018) ISSN
(Special Paper) 23 2, 2018 3 (JBE Vol. 23, No. 2, March 2018) https://doi.org/10.5909/jbe.2018.23.2.186 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) a), a) Robust Online Object Tracking via Convolutional
딥러닝튜토리얼 Deep Learning Tutorial - 신경망과딥러닝의이해 Understanding Neural Network & Deep Learning
딥러닝튜토리얼 Deep Learning Tutorial - 신경망과딥러닝의이해 Understanding Neural Network & Deep Learning 집필기관및참여인원 : 소프트웨어정책연구소 안성원 추형석 전남대학교 김수형 목 차 제 1 장서론 2 제2장단일퍼셉트론 2 제1절구조 2 제2절기능 3 제3절학습원리 5 제4절단층퍼셉트론 8 제3장다층퍼셉트론
Delving Deeper into Convolutional Networks for Learning Video Representations - Nicolas Ballas, Li Yao, Chris Pal, Aaron Courville arXiv:
Delving Deeper into Convolutional Networks for Learning Video Representations Nicolas Ballas, Li Yao, Chris Pal, Aaron Courville arxiv: 1511.06432 Il Gu Yi DeepLAB in Modu Labs. June 13, 2016 Il Gu Yi
Slide 1
딥러닝 (Deep Learning) 2016 04 29 변경원 1. 딥러닝이란무엇인가? 2. 인공지능이란무엇인가? 3. 딥러닝은왜필요한가? Agenda 4. 딥러닝은어떤역할을하는가? 5. 딥러닝은어떻게만들어야하는가? 6. GPU 의역할 7. 딥러닝의기여 8. AlphaGo 와 GPU 2 1. 딥러닝이란무엇인가? 2. 인공지능이란무엇인가? 3. 딥러닝은왜필요한가?
(JBE Vol. 23, No. 2, March 2018) (Special Paper) 23 2, (JBE Vol. 23, No. 2, March 2018) ISSN
(Special Paper) 23 2, 2018 3 (JBE Vol. 23, No. 2, March 2018) https://doi.org/10.5909/jbe.2018.23.2.246 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) CNN a), a), a) CNN-Based Hand Gesture Recognition
(JBE Vol. 24, No. 2, March 2019) (Special Paper) 24 2, (JBE Vol. 24, No. 2, March 2019) ISSN
(Special Paper) 24 2, 2019 3 (JBE Vol. 24, No. 2, March 2019) https://doi.org/10.5909/jbe.2019.24.2.234 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) SIFT a), a), a), a) SIFT Image Feature Extraction
PowerPoint 프레젠테이션
Visual Search At SK-Planet sk-planet Machine Intelligence Lab. 나상일 1. 개발배경 2. 첫접근방법 3. 개선된방법 A. Visual recognition technology B. Guided search C. Retrieval system 개발배경 개발배경 상품검색을좀더쉽게 Key-word 트렌치코트버튺벨트
PowerPoint Presentation
비윤리적 N 댓글분류를위한구문기반 CNN 과의미기반 LTM 의앙상블기법 부석준, 서수인, 김진영, 조성배 * 연세대학교컴퓨터과학과 sjbuhan@yonsei.ac.kr 순서 문제정의 사회적문제 : N의비윤리적댓글 기계학습을사용한비윤리적댓글분류 구문론적, 의미론적비윤리적댓글분류 관련연구 : 기존텍스트특징추출방법 방법 비윤리 N댓글분류기아키텍쳐와앙상블방법 M1:
THE JOURNAL OF KOREAN INSTITUTE OF ELECTROMAGNETIC ENGINEERING AND SCIENCE Jul.; 29(7),
THE JOURNAL OF KOREAN INSTITUTE OF ELECTROMAGNETIC ENGINEERING AND SCIENCE. 2018 Jul.; 29(7), 550 559. http://dx.doi.org/10.5515/kjkiees.2018.29.7.550 ISSN 1226-3133 (Print) ISSN 2288-226X (Online) Human
(JBE Vol. 22, No. 2, March 2017) (Special Paper) 22 2, (JBE Vol. 22, No. 2, March 2017) ISSN
(Special Paper) 22 2, 2017 3 (JBE Vol. 22, No. 2, March 2017) https://doi.org/10.5909/jbe.2017.22.2.162 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) Convolutional Neural Network a), b), a), a), Facial
RNN & NLP Application
RNN & NLP Application 강원대학교 IT 대학 이창기 차례 RNN NLP application Recurrent Neural Network Recurrent property dynamical system over time Bidirectional RNN Exploit future context as well as past Long Short-Term
제1강 인공지능 개념과 역사
인공지능개념과역사 < 인공지능입문 > 강의노트 장병탁서울대학교컴퓨터공학부 & 인지과학 / 뇌과학협동과정 http://bi.snu.ac.kr/~btzhang/ Version: 20180302 목차 인공지능의개념........ 3 연구분야............ 4 역사...... 6 패러다임........ 7 응용사례.......... 8 Reading Assignments.........
PowerPoint 프레젠테이션
Introduction to Deep Learning and Neural Networks Vision Modeling Lab. Division of Electrical Engineering Hanyang University, ERICA Campus 2 Contents Machine learning Artificial Neural Network (ANN) 신경망의역사와최근의딥러닝
2 : CNN (Jaeyoung Kim et al.: Experimental Comparison of CNN-based Steganalysis Methods with Structural Differences) (Regular Paper) 24 2, (JBE
2: CNN (Jaeyoung Kim et al.: Experimental Comparison of CNN-based Steganalysis Methods with Structural Differences) (Regular Paper) 24 2, 2019 3 (JBE Vol. 24, No. 2, March 2019) https://doi.org/10.5909/jbe.2019.24.2.315
의료영상분석에있어딥러닝의응용사례에대해살펴본다. 2 장에서는딥러닝의개요와관련주요기술들에대해역사와원리를소개한다. 3장에서는최근의료영상분석에딥러닝이응용된사례에대해정리한다. 4장에서는추후의료영상분석에있어딥러닝의응용가능성에대해언급함으로써결론을맺는다. 딥러닝의개요 1. 인공신경망
의료영상에서의딥러닝 이한상 박민석 김준모 한국과학기술원전기및전자공학과 Deep Learning in Medical Imaging Hansang Lee, Minseok Park, Junmo Kim Department of Electrical Engineering, KAIST, Daejeon, Korea = Abstract = As a branch of artificial
DBPIA-NURIMEDIA
TV 드라마비디오스토리분석딥러닝기술 Deep Learning Technologies for Analysis of TV Drama Video Stories 저자 (Authors) 남장군, 김진화, 김병희, 장병탁 출처 (Source) 방송과미디어 22(1), 2017.1, 12-23 (12 pages) Broadcasting and Media Magazine
Gray level 변환 및 Arithmetic 연산을 사용한 영상 개선
Point Operation Histogram Modification 김성영교수 금오공과대학교 컴퓨터공학과 학습내용 HISTOGRAM HISTOGRAM MODIFICATION DETERMINING THRESHOLD IN THRESHOLDING 2 HISTOGRAM A simple datum that gives the number of pixels that a
Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology Vol.7, No.11, November (2017), pp
Vol.7, No.11, November (2017), pp. 71-79 http://dx.doi.org/10.14257/ajmahs.2017.11.59 이기종컴퓨팅을활용한환율예측뉴럴네트워크구현 한성현 1), 이광엽 2) Implementation of Exchange Rate Forecasting Neural Network Using Heterogeneous
Pattern Recognition
딥러닝이해및미디어응용 아주대학교구형일 인공지능 / 기계학습 / 딥러닝 AI 에관한 4 개의관점 Humanly Rationally Thinking Thinking Humanly Thinking Rationally Acting Acting Humanly Acting Rationally Acting Humanly 사람처럼일하는 / 행동하는기계 인공지능은사람에의해서수행될때지능이필요한일을수행하는기계를만드는기술이다.
2 : (Seungsoo Lee et al.: Generating a Reflectance Image from a Low-Light Image Using Convolutional Neural Network) (Regular Paper) 24 4, (JBE
2: (Seungsoo Lee et al.: Generating a Reflectance Image from a Low-Light Image Using Convolutional Neural Network) (Regular Paper) 24 4, 2019 7 (JBE Vol. 24, No. 4, July 2019) https://doi.org/10.5909/jbe.2019.24.4.623
PowerPoint 프레젠테이션
3 장. 다층퍼셉트론 PREVIEW 신경망 기계학습역사에서가장오래된기계학습모델이며, 현재가장다양한형태를가짐 1950년대퍼셉트론 1980년대다층퍼셉트론 3장은 4장딥러닝의기초가됨 3.1 신경망기초 3.1.1 인공신경망과생물신경망 3.1.2 신경망의간략한역사 3.1.3 신경망의종류 3.1.1 인공신경망과생물신경망 사람의뉴런 두뇌의가장작은정보처리단위 세포체는 cell
(JBE Vol. 24, No. 4, July 2019) (Special Paper) 24 4, (JBE Vol. 24, No. 4, July 2019) ISSN
(JBE Vol. 24, No. 4, July 2019) (Special Paper) 24 4, 2019 7 (JBE Vol. 24, No. 4, July 2019) https://doi.org/10.5909/jbe.2019.24.4.564 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) a), a) Integral Regression
1020041200.hwp
20 2004-7-1 21 22 2004-7-1 23 B M B P C B C C C C C Co M B P M B P B FC P B: C: M: P: C C FC C M FC : Co : :, 2004. 24 2004-7-1 25 1999 2000 2001 2002 26 2004-7-1 27 28 2004-7-1 29 30 2004-7-1 31 32 2004-7-1
김기남_ATDC2016_160620_[키노트].key
![김기남_ATDC2016_160620_[키노트].key](/thumbs/85/91488855.jpg "김기남_ATDC2016_160620_[키노트].key")
metatron Enterprise Big Data SKT Metatron/Big Data Big Data Big Data... metatron Ready to Enterprise Big Data Big Data Big Data Big Data?? Data Raw. CRM SCM MES TCO Data & Store & Processing Computational
빅데이터_DAY key
Big Data Near You 2016. 06. 16 Prof. Sehyug Kwon Dept. of Statistics 4V s of Big Data Volume Variety Velocity Veracity Value 대용량 다양한 유형 실시간 정보 (불)확실성 가치 tera(1,0004) - peta -exazetta(10007) bytes in 2020
ch3.hwp
미디어정보처리 (c) -4 한남대 정보통신멀티미디어학부 MCCLab. - -...... (linear filtering). Z k = n i = Σn m Σ j = m M ij I ji 컨볼루션 영역창 I I I I 3 I 4 I 5 I 6 I 7 I 8 x 컨볼루션 마스크 M M M M 3 M 4 M 5 M 6 M 7 M 8 I 입력 영상 Z 4 = 8 k
PowerPoint 프레젠테이션
[ 인공지능입문랩 ] SEOPT ( Study on the Elements Of Python and Tensorflow ) 인공지능 + 데이터분석목적 / 방법 / 기법 / 도구 + Python Programming 기초 + NumpyArray(Tensor) youngdocseo@gmail.com 1 *3 시간 / 회 구분일자내용비고 1 회 0309
<4D F736F F D20B1E2C8B9BDC3B8AEC1EE2DB1E2BFEBB0C9>
기획시리즈 주간기술동향 2016. 3. 9. 인공지능과심층학습의연구동향 기용걸 도로교통공단교통과학연구원부수석연구원 kiyongkul@koroad.or.kr 1. 서론 2. 심층학습의발전과정 3. 심층망의문제점 4. 심층망을위한학습기법 5. 심층학습의응용 6. 결론및시사점 1. 서론마이너리티리포트와같은공상과학영화에서미래에는자동차가스스로운전하고사람들은그냥편안히앉아있는모습을종종보게된다.
슬라이드 1
빅데이터분석을위한데이터마이닝방법론 SAS Enterprise Miner 활용사례를중심으로 9 주차 예측모형에대한평가 Assessment of Predictive Model 최종후, 강현철 차례 6. 모형평가의기본개념 6.2 모델비교 (Model Comparison) 노드 6.3 임계치 (Cutoff) 노드 6.4 의사결정 (Decisions) 노드 6.5 기타모형화노드들
Reinforcement Learning & AlphaGo
Gait recognition using a Discriminative Feature Learning Approach for Human identification 딥러닝기술및응용딥러닝을활용한개인연구주제발표 이장우 wkddn1108@kist.re.kr 2018.12.07 Overview 연구배경 관련연구 제안하는방법 Reference 2 I. 연구배경 Reinforcement
MVVM 패턴의 이해
Seo Hero 요약 joshua227.tistory. 2014 년 5 월 13 일 이문서는 WPF 어플리케이션개발에필요한 MVVM 패턴에대한내용을담고있다. 1. Model-View-ViewModel 1.1 기본개념 MVVM 모델은 MVC(Model-View-Contorl) 패턴에서출발했다. MVC 패턴은전체 project 를 model, view 로나누어
01 AI Definition 02 Deep Learning Theory - Linear Regression - Cost Function - Gradient Descendent - Logistic Regression - Activation Function - Conce
Artificial Intelligence for Deep Learning 01 AI Definition 02 Deep Learning Theory - Linear Regression - Cost Function - Gradient Descendent - Logistic Regression - Activation Function - Concept of Neural
42.hwp
Asia-pacific Journal of 김대현 Multimedia Services Convergent with Art, Humanities, and Sociology Vol.6, No.5, May (2016), pp. 435-444 http://dx.doi.org/10.14257/ajmahs.2016.05.22 딥러닝 신경망모형을 이용한 실시간 교통정보수집
6 : (Gicheol Kim et al.: Object Tracking Method using Deep Learing and Kalman Filter) (Regular Paper) 24 3, (JBE Vol. 24, No. 3, May 2019) http
(Regular Paper) 24 3, 2019 5 (JBE Vol. 24, No. 3, May 2019) https://doi.org/10.5909/jbe.2019.24.3.495 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) a), a), a), b), b), b), a) Object Tracking Method using
<4D6963726F736F667420576F7264202D20C3D6BDC52049435420C0CCBDB4202D20BAB9BBE7BABB>
주간기술동향 2016. 2. 24. 최신 ICT 이슈 인공지능 바둑 프로그램 경쟁, 구글이 페이스북에 리드 * 바둑은 경우의 수가 많아 컴퓨터가 인간을 넘어서기 어려움을 보여주는 사례로 꼽혀 왔 으며, 바로 그런 이유로 인공지능 개발에 매진하는 구글과 페이스북은 바둑 프로그램 개 발 경쟁을 벌여 왔으며, 프로 9 단에 도전장을 낸 구글이 일단 한발 앞서 가는
4 : CNN (Sangwon Suh et al.: Dual CNN Structured Sound Event Detection Algorithm Based on Real Life Acoustic Dataset) (Regular Paper) 23 6, (J
(Regular Paper) 23 6, 2018 11 (JBE Vol. 23, No. 6, November 2018) https://doi.org/10.5909/jbe.2018.23.6.855 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) CNN a), a), a), a), a) Dual CNN Structured Sound
PowerPoint 프레젠테이션
1 2 3 3-1 3-2 3-3 Large-scale data 개요기계학습기반자료분석기술교통분석에기계학습적용사례 1 CNN 을활용한대중교통수요예측 2 RNN 을활용한공로통행속도예측 3 DQN 을이용한최적교통신호제어 4 시연 Large-Scale Data 기술요소 전수자료 이력자료누적 ( 자료를지우지않음 ) Hadoop HDFS MapReduce 병렬 DBMS
<4D F736F F F696E74202D203137C0E55FBFACBDC0B9AEC1A6BCD6B7E7BCC72E707074>
SIMATIC S7 Siemens AG 2004. All rights reserved. Date: 22.03.2006 File: PRO1_17E.1 차례... 2 심벌리스트... 3 Ch3 Ex2: 프로젝트생성...... 4 Ch3 Ex3: S7 프로그램삽입... 5 Ch3 Ex4: 표준라이브러리에서블록복사... 6 Ch4 Ex1: 실제구성을 PG 로업로드하고이름변경......
(JBE Vol. 23, No. 4, July 2018) (Special Paper) 23 4, (JBE Vol. 23, No. 4, July 2018) ISSN
(JBE Vol. 23, No. 4, July 2018) (Special Paper) 23 4, 2018 7 (JBE Vol. 23, No. 4, July 2018) https://doi.org/10.5909/jbe.2018.23.4.484 ISSN 2287-9137 (Online) ISSN 1226-7953 (Print) a), a) Uniform Motion
3 Gas Champion : MBB : IBM BCS PO : 2 BBc : : /45
3 Gas Champion : MBB : IBM BCS PO : 2 BBc : : 20049 0/45 Define ~ Analyze Define VOB KBI R 250 O 2 2.2% CBR Gas Dome 1290 CTQ KCI VOC Measure Process Data USL Target LSL Mean Sample N StDev (Within) StDev
목 차 1. 연구 목적 2. 컴퓨팅 파워와 병렬 컴퓨팅 3. AlphaGo의 계산량 분석 4. 결 론
인공지능 컴퓨팅 환경 확보 방안 및 전략 2016. 08. 25. 2016 정보과학회 HPC연구회 하계 워크샵 추형석 소프트웨어정책연구소 선임연구원 신기술확산연구팀 목 차 1. 연구 목적 2. 컴퓨팅 파워와 병렬 컴퓨팅 3. AlphaGo의 계산량 분석 4. 결 론 1. 연구목적 배경및필요성 컴퓨팅환경확보는인공지능연구를위해선결되어야하는과제 인공지능연구에왜 컴퓨팅파워
02본문
46 특집 : 딥러닝기반방송미디어기술 특집 딥러닝기반방송미디어기술 딥러닝기반의음성 / 오디오기술 Speech/Audio Processing based on Deep Learning 이영한 / KETI Ⅰ. 서론 인간의두뇌를모델링하는뉴럴네트워크연구는 1940 년대신경세포의모델링부터시작하여현재까지다양한기술이축적되어왔다. 특히 backpropagation 이제안된이후에
www.kiise.or.kr ISSN 1229-6821 Communications of the Korean Institute of Information Scientists and Engineers 2015. 8 정보과학회지 2015. 8 제 33 권제 8 호통권제 315 호 3 딥러닝이론과응용 특집을내면서 / 최재식 최원익 5 특집계획 6 특집원고모집 7
PowerPoint 프레젠테이션
Computer Vision & Pattern Recognition Lab. 제 9 장영상인식 Computer Vision & Pattern Recognition Lab. 영상인식 Computer Vision & Pattern Recognition Lab. 2 /26 영상인식 일반적인영상인식은매우어려운문제임 제한된환경, 여러가지가정하에서수행 영상의종류를알경우
290 정보과학회컴퓨팅의실제논문지제 24 권제 6 호 ( ) 1. 서론음성인식시스템은모바일디바이스의보편화로음성데이터에대한접근과확보가용이해짐에따라지난몇년간크게발전하였다. 화자식별 (Speaker Identification) 은개인성도의음성학적특징을모델링하고분류
ISSN 2383-6318(Print) / ISSN 2383-6326(Online) KIISE Transactions on Computing Practices, Vol. 24, No. 6, pp. 289-294, 2018. 6 https://doi.org/10.5626/ktcp.2018.24.6.289 STFT 소리맵을이용한컨볼루션신경망기반화자식별방법 (Speaker
Sequences with Low Correlation
레일리페이딩채널에서의 DPC 부호의성능분석 * 김준성, * 신민호, * 송홍엽 00 년 7 월 1 일 * 연세대학교전기전자공학과부호및정보이론연구실 발표순서 서론 복호화방법 R-BP 알고리즘 UMP-BP 알고리즘 Normalied-BP 알고리즘 무상관레일리페이딩채널에서의표준화인수 모의실험결과및고찰 결론 Codig ad Iformatio Theory ab /15
Microsoft Word - Final_ _최정빈.docx
CSED499I-01 Research Project Final Report Embedded MDNet Mobile Embedded Multi-Domain Convolutional Neural Networks for Visual Tracking 20080650 CSE Jeongbin Choe Advisor: Prof. Bohyung Han, CV Lab 1.
융합WEEKTIP data_up
2016 MAY vol.19 19 융합 인지과학 연구동향 이아름 융합연구정책센터 발행일 2016. 05. 09. 발행처 융합정책연구센터 융합 2016 MAY vol.19 인지과학 연구동향 이아름 융합연구정책센터 선정 배경 최근 구글의 인공지능 프로그램인 알파고가 이세돌 9단과의 바둑대결에서 압승을 거둔 이후 전세계적으로 인공지능에 대한 관심이 증대 - 인간
<34342D342D B9DAC0E7BCB120B1E8C1D8C8AB20B1E8C7FCBCAE20B8F0B0E6C7F620B0ADC7CABCBA2E687770>
Journal of the Korean Institute of Industrial Engineers Published Online, pp. 249-258, August 2018. ISSN 1225-0988 EISSN 2234-6457 2018 KIIE 합성곱신경망을이용한웨이퍼맵기반불량탐지 박재선 김준홍 김형석 모경현
Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology Vol.8, No.10, October (2018), pp
Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology Vol.8, No.10, October (2018), pp.281-288 http://dx.doi.org/10.21742/ajmahs.2018.10.57 을이용한 스켈레톤애니메이션학습 정윤상 박진호
4 : (Hyo-Jin Cho et al.: Audio High-Band Coding based on Autoencoder with Side Information) (Special Paper) 24 3, (JBE Vol. 24, No. 3, May 2019
4 : (Hyo-Jin Cho et al.: Audio High-Band Coding based on Autoencoder with Side Information) (Special Paper) 24 3, 2019 5 (JBE Vol. 24, No. 3, May 2019) https://doi.org/10.5909/jbe.2019.24.3.387 ISSN 2287-9137
(Microsoft PowerPoint - Ch19_NumAnalysis.ppt [\310\243\310\257 \270\360\265\345])
![(Microsoft PowerPoint - Ch19_NumAnalysis.ppt [\310\243\310\257 \270\360\265\345])](/thumbs/82/85170746.jpg "(Microsoft PowerPoint - Ch19_NumAnalysis.ppt [\310\243\310\257 \270\360\265\345])")
수치해석 6009 Ch9. Numerical Itegratio Formulas Part 5. 소개 / 미적분 미분 : 독립변수에대한종속변수의변화율 d vt yt dt yt 임의의물체의시간에따른위치, vt 속도 함수의구배 적분 : 미분의역, 어떤구간내에서시간 / 공간에따라변화하는정보를합하여전체결과를구함. t yt vt dt 0 에서 t 까지의구간에서곡선 vt
PowerPoint 프레젠테이션
[ 인공지능입문랩 ] SEOPT ( Study on the Elements Of Python and Tensorflow ) . ( 통계적이아니라시행착오적 ) 회귀분석 ( 지도학습 ) by Tensorflow - Tensorflow 를사용하는이유, 신경망구조 - youngdocseo@gmail.com 인공지능 데이터분석 When you re fundraising,
PowerPoint 프레젠테이션
ㆍ Natural Language Understanding 관련기술 ㆍ Semantic Parsing Conversational AI Natural Language Understanding / Machine Learning ㆍEntity Extraction and Resolution - Machine Learning 관련기술연구개발경험보유자ㆍStatistical
시장분석통계Ⅰ. 서론부록인공신경망의시초라할수있는퍼셉트론 (perceptron) 은 1957 년 Frank Rosenblatt 가발명했고딥러닝의 학습알고리즘인오차역전파법 (back-propagation) 은 1986년 LeCun에의해발명됐다. 이미딥러닝의핵심이론은 198
SURVEY AND RESEARCH 02 딥러닝의현재와미래 Ⅰ. 서론 Ⅱ. 딥러닝을이용한채권회수율예측 Ⅲ. 알파고, 알파고제로, 알파제로 Ⅳ. 결론 김동현 * 한국주택금융공사정보전산부팀장 2017년말에딥마인드에서개발한알파제로는딥러닝을이용한강화학습을통해바둑의기본규칙만을입력받고스스로바둑을둬가며학습하여불과 3일만에수천년간쌓아올린인간의바둑지식을터득했고인간이미처생각하지못한새로운전략도발견했다.
PowerPoint 프레젠테이션
I. 문서표준 1. 문서일반 (HY중고딕 11pt) 1-1. 파일명명체계 1-2. 문서등록정보 2. 표지표준 3. 개정이력표준 4. 목차표준 4-1. 목차슬라이드구성 4-2. 간지슬라이드구성 5. 일반표준 5-1. 번호매기기구성 5-2. 텍스트박스구성 5-3. 테이블구성 5-4. 칼라테이블구성 6. 적용예제 Machine Learning Credit Scoring
모바일동향
.... 기계학습의원리, 능력과한계 2016.3. 김진형 소프트웨어정책연구소소장 KAIST 전산학부명예교수 국제패턴인식학회 Fellow 정보과학회명예회장 결과는종종혁신적이지만 진화는항상점진적이다 * 혁신적인알파고, 딥러닝은 70 년동안의인공지능기술진화의산물 * 출처 : 기술의진화 : 비유와함의들, 이관수 ( 동국대다르마칼리지이관수교수 ) 에서 지능적행동을자동화하기위한컴퓨터과학의한분야
DBPIA-NURIMEDIA
ISSN 2383-6318(Print) / ISSN 2383-6326(Online) KIISE Transactions on Computing Practices, Vol. 21, No. 4, pp. 338-342, 2015. 4 http://dx.doi.org/10.5626/ktcp.2015.21.4.338 Echo State Network 모델의은닉뉴런간연결구조에따른성능과동역학적특성분석
방송공학회논문지 제18권 제2호
방송공학회논문지 제 20권 6호 (2015년 11월) 특집논문 : 2015년 하계학술대회 좌장추천 우수논문 프레넬 회절을 이용한 디지털 홀로그램 암호화 알고리즘 새로운 광적응 효과 모델을 이용한 정교한 영상 화질 측정 민방위 경보 방송에 대한 정보 수용자 인식 연구 UHDTV 방송을 위한 공간 변조 다중 안테나 시스템 수신 성능 분석 홍보동영상 제작 서비스를
<4D F736F F F696E74202D203034BECBB0EDB8AEC1F228BECBC6C4B0ED20BECBB0EDB8AEC1F220C0CCBEDFB1E2292E >
이산수학 Discrete Mathematics 알파고알고리즘이야기 인천대학교컴퓨터공학과공학시인이숙이철호교수 Jullio@chol.com zullio@inu.ac.kr 010 3957 6683 모바일컴퓨팅연구실 07 401 호 알파고에대하여 알파고의 HW 사양 최종버전 ( 싱글 ) 40개의탐색쓰레드 48개 CPU 8개 GPU를사용 분산구현버전 40개의탐색쓰레드
CONTENTS 1 인공지능과머신러닝 2 머신러닝알고리즘의분류 3 일상생활속머신러닝의예 4 머신러닝의구성요소
인공지능을위한머신러닝알고리즘 1. 머신러닝개요 CONTENTS 1 인공지능과머신러닝 2 머신러닝알고리즘의분류 3 일상생활속머신러닝의예 4 머신러닝의구성요소 학습목표 학습목표 인공지능을달성하기위한수단으로써머신러닝을이해할수있다. 머신러닝알고리즘의종류와차이점을이해할수있다. 일상생활속머신러닝이사용되고있는예제들을파악할수있다. 1. 인공지능과머신러닝 1. 인공지능과머신러닝
Chap 6: Graphs
5. 작업네트워크 (Activity Networks) 작업 (Activity) 부분프로젝트 (divide and conquer) 각각의작업들이완료되어야전체프로젝트가성공적으로완료 두가지종류의네트워크 Activity on Vertex (AOV) Networks Activity on Edge (AOE) Networks 6 장. 그래프 (Page 1) 5.1 AOV
Microsoft PowerPoint - 알고리즘_5주차_1차시.pptx
Basic Idea of External Sorting run 1 run 2 run 3 run 4 run 5 run 6 750 records 750 records 750 records 750 records 750 records 750 records run 1 run 2 run 3 1500 records 1500 records 1500 records run 1
제2강 생각하는 기계
제 2 강 생각하는기계 < 인공지능입문 > 강의노트 장병탁서울대학교컴퓨터공학부 & 인지과학 / 뇌과학협동과정 http://bi.snu.ac.kr/~btzhang/ Version: 20180312=> 20180313 목차 튜링테스트...... 3 중국어방논증........... 7 강인공지능과약인공지능..... 8 특이점....... 10 의식의문제와인공지능........
Structural SVMs 및 Pegasos 알고리즘을 이용한 한국어 개체명 인식
Deep Learning 차례 현재딥러닝기술수준소개 딥러닝 딥러닝기반의자연어처리 Object Recognition https://www.youtube.com/watch?v=n5up_lp9smm Semantic Segmentation https://youtu.be/zjmtdrbqh40 Semantic Segmentation VGGNet + Deconvolution
Caffe 실습
Caffe 실습 서울대학교융합과학기술대학원패턴인식및컴퓨터지능연구실 박성헌, 황지혜, 유재영 Contents Caffe 설치 Caffe 를이용한 CNN 학습및테스트 2 Deep Learning Deep Neural Net 을이용한학습방법 Neuron Perceptron Multi-layer perceptron Deep neural network 3 Why Deep
<BFACB1B831382D31355FBAF2B5A5C0CCC5CD20B1E2B9DDC0C720BBE7C0CCB9F6C0A7C7E820C3F8C1A4B9E6B9FD20B9D720BBE7C0CCB9F6BBE7B0ED20BFB9C3F8B8F0C7FC20BFACB1B82D33C2F7BCF6C1A E687770>
Ⅳ. 사이버사고예측모델개발 사이버보험시장활성화를위해서는표준데이터개발이필요하다. 이를위하여이전장에서는빅데이터기반의사이버위험측정체계를제안하였다. 본장에서는제안된사이버위험지수를이용하여사이버사고 (Cyber Incident) 를예측하는모델을개발하고자한다. 이는향후정확한보험금산출에기여할것으로기대한다. 최근빅데이터, 인공지능 (Artificial Intelligence),
04 Çмú_±â¼ú±â»ç
42 s p x f p (x) f (x) VOL. 46 NO. 12 2013. 12 43 p j (x) r j n c f max f min v max, j j c j (x) j f (x) v j (x) f (x) v(x) f d (x) f (x) f (x) v(x) v(x) r f 44 r f X(x) Y (x) (x, y) (x, y) f (x, y) VOL.
Artificial Intelligence: Assignment 5 Seung-Hoon Na December 15, Numpy: Tutorial 다음 자료를 참조하여 numpy기본을 공부하시오.
Artificial Intelligence: Assignment 5 Seung-Hoon Na December 15, 2018 1 Numpy: Tutorial 다음 자료를 참조하여 numpy기본을 공부하시오. https://docs.scipy.org/doc/numpy-1.15.0/user/quickstart.html https://www.machinelearningplus.com/python/
<4D F736F F D20B1E2C8B9BDC3B8AEC1EE2DB0ADB4EBB1E2>
기획시리즈 딥러닝기반기계학습기술동향 강대기 동서대학교컴퓨터공학부부교수 dkkang@dongseo.ac.kr 1. 딥러닝기계학습의역사적배경 2. 컨볼루션신경망 3. 딥빌리프네트워크 4. 딥 Q-러닝 5. 딥러닝기반공개소프트웨어 6. 결론 1. 딥러닝기계학습의역사적배경 1960 년대후반부터 1970 년대초반까지는인공지능의암흑기로불린다. 1950 년대에는인공지능이라는이름이붙은과제제안서는많은기대속에수월하게심사를통과하였다.
특집 2 부 3 신경회로망 신경회로망에대한연구는뇌신경생리학으로부터유래되어패턴인식이나연산기억장치, 최적화, 로봇제어, 문자인식, 음성인식, 신호처리등의분야로확대됐을뿐아니라경제, 경영분야의의사결정시스템에도응용되기에이르렀다. 최근에는데이터마이닝의주요기법으로손꼽히고있다. 신현
3 신경회로망 신경회로망에대한연구는뇌신경생리학으로부터유래되어패턴인식이나연산기억장치, 최적화, 로봇제어, 문자인식, 음성인식, 신호처리등의분야로확대됐을뿐아니라경제, 경영분야의의사결정시스템에도응용되기에이르렀다. 최근에는데이터마이닝의주요기법으로손꼽히고있다. 신현정서울대학교산업공학과 hjshin72@snu.ac.kr 조성준서울대학교산업공학과교수 zoon@snu.ac.kr
기획특집 4 I 머신러닝알고리즘을이용한부동산가치산정에관한소고 Ⅱ. 인공지능의정의와주요분야 1956년여름개최된다트머스학술회의 (Dartmouth Conference) 를통해인공지능이라는용어가널리알려지고, 인공지능이새로운연구분야로서확립되게된다. 인공지능이라는용어를처음고안한
머신러닝알고리즘을이용한부동산가치산정에관한소고 심재헌부연구위원한국감정원 KAB 부동산연구원연구개발실 Ⅰ. 들어가며 2016년상반기대한민국의가장큰화두는바둑대결로널리알려진 AlphaGo 1) 와인공지능 (artificial intelligence) 이었다. 수많은경우의수를가진복잡한바둑경기만큼은아직까지인공지능기술이인간을상대로우위를점하기어렵다는일반적인예상과상반된결과가나오자,
슬라이드 0
Machine Learning Basic 2016.09 Quarry systems 윤동한 인공지능이란? 지능적행동을자동화하기위한컴퓨터과학의한분야 (Luger & Stubblefield, 1993) 현재사람이더잘하는일을컴퓨터가하도록하는연구 (Rich & Knight, 1991) 1 Machine Learning 이란 명시적으로 Program 하지않고, 스스로학습할수있는능력을컴퓨터에게주기위한연구
강사소개 김광일 KAIST 경영과학과 수리알고리즘전공 오픈테크등소프트웨어회사경영 (15년) 클래식기타연주, 와인애호가, 록밴드활동. 머신러닝 / 딥러닝연구 현재 : 동국대학교소프트웨어융합원교수 ( 머신러닝 / 딥러닝연구 ) 경희대학교대학원및한국외국어대학교겸임교수 ( 머
딥러닝 인공지능의과거, 현재 그리고미래 제 9 기차세대에너지리더과정 강사소개 김광일 KAIST 경영과학과 수리알고리즘전공 오픈테크등소프트웨어회사경영 (15년) 클래식기타연주, 와인애호가, 록밴드활동. 머신러닝 / 딥러닝연구 현재 : 동국대학교소프트웨어융합원교수 ( 머신러닝 / 딥러닝연구 ) 경희대학교대학원및한국외국어대학교겸임교수 ( 머신러닝 / 딥러닝강의 )
저작자표시 - 비영리 - 변경금지 2.0 대한민국 이용자는아래의조건을따르는경우에한하여자유롭게 이저작물을복제, 배포, 전송, 전시, 공연및방송할수있습니다. 다음과같은조건을따라야합니다 : 저작자표시. 귀하는원저작자를표시하여야합니다. 비영리. 귀하는이저작물을영리목적으로이용할
저작자표시 - 비영리 - 변경금지 2.0 대한민국 이용자는아래의조건을따르는경우에한하여자유롭게 이저작물을복제, 배포, 전송, 전시, 공연및방송할수있습니다. 다음과같은조건을따라야합니다 : 저작자표시. 귀하는원저작자를표시하여야합니다. 비영리. 귀하는이저작물을영리목적으로이용할수없습니다. 변경금지. 귀하는이저작물을개작, 변형또는가공할수없습니다. 귀하는, 이저작물의재이용이나배포의경우,
PowerPoint 프레젠테이션
System Software Experiment 1 Lecture 5 - Array Spring 2019 Hwansoo Han (hhan@skku.edu) Advanced Research on Compilers and Systems, ARCS LAB Sungkyunkwan University http://arcs.skku.edu/ 1 배열 (Array) 동일한타입의데이터가여러개저장되어있는저장장소