Computer Science

인공지능, 머신러닝, 딥러닝 인공지능 Artificial Intelligence 사람의 지능(intelligence)인 이해하고 학습하는 능력 모방하여 지능을 가진 기계를 만드는 분야1943년에 뉴런모델이 제시되면서 최초로 인공신경망이라는 개념이 등장 예시) IBM Deep Blue 체스 프로그램  머신러닝 (=기계학습) Machine Learning 사람이 가진 학습 능력을 기계를 통해 구현하는 방법을 연구하는 분야주어진 데이터를 분석해서 일반적인 규칙이나 새로운 지식을 기계 스스로가 자동으로 추출하는 방법을 개발하는 연구 분야 예시) 이메일 스팸필터, 구글 검색 알고리즘, 아마존 상품 추천 딥러닝 Deep Learning 심층 신경망 기반의 머신러닝 분야심층 신경망을 이용해서 데이터를 분석하는 학습에..

특징 추출의 목적분석에 불필요한 정보는 제거하고 필요한 핵심 정보만 추출차원 축소를 통해 학습 시스템의 효율을 향상시킴  Dimension Reduction 차원 축소 데이터 분석에 핵심이 되는 정보만 남기기 위해 차원을 축소함차원 축소를 통해 학습 시스템의 속도 + 성능 효율을 향상시킴 모델 학습에 불필요한 피처(속도 향상)나 방해되는 피처(성능 향상)를 제거 방해되는 피처는 over fitting 문제를 발생시키는 피처이에 입력차원이 늘어남에 따라 처리의 정확도가 저하되는 차원의 저주 현상이 발생  PCA (Principal Component Analysis) 주성분분석 알고리즘 주성분 분석 PCA전체 데이터의 분포를 가장 잘 설명할 수 있는 주성분을 찾는 방법론 데이터가 가장 넓게 떨어져있는 방향을..

앙상블 학습 (지도 학습)여러 개의 모델을 학습시켜 다양한 예측 결과를 이용 모든 머신러닝 모델과 문제(회귀, 분류)에 적용 가능함 회귀문제 - 평균 분류문제 - 투표크게 Bagging과 Boosting 두 가지 방법론이 존재 Bagging 배깅Bootstrap 부트스트랩 통계의 기본 - 모수를 정확히 추정하기 위해서는 다양하고 좋은 표본 데이터 셋이 필요but, 표본을 계속 많이 얻는 것은 현실적으로 어려움 현재 가지고있는 샘플을 복원 추출해서 여러개의 데이터셋을 만듬  Bagging 배깅Bootstrap Aggregation 부트스트랩 데이터를 합친 것 부트스트랩으로 생성된 데이터셋을 가지고 모델을 학습하는 것학습된 모델의 결과로 나온 모든 예측치 평균(회귀)내거나, 투표(분류)를 활용해서 분산 오..

개요폰 노이만 컴퓨터 구조가 등장하기 이전의 컴퓨터들은 스위치를 직접 설치하고 전선을 연결하여 데이터를 주고 받는 식으로 프로그래밍 해야 했기 때문에 융통성이 매우 낮고 진공관/스위치 등 많은 부품이 쓰여 전력이 엄청나게 소모되었다. 이런 문제를 해결하기 위해 폰 노이만이라는 수학자가 프로그램과 데이터를 모두 기억장소에 저장하여 실행하는 프로그램 내장방식 (stored program concept)라는 개념을 도입하였다.  폰 노이만  컴퓨터 구조폰 노이만 컴퓨터 구조는 제어장치, 산술·논리 연산장치, 기억·저장장치, 입력장치, 출력장치로 구분할 수 있다. 크게 보면 중앙처리장치 (CPU), 메모리, 프로그램 세 가지로 구성되어 있으며 폰 노이만 구조의 핵심은 CPU와 메모리를 분리하여 명령어를 읽고 데..

래스터 이미지 Raster 픽셀 pixel 이라는 점들을 가로 세로로 나열한 것 래스터 이미지의 품질은 정밀도/선명도에 따라 결정됨 1. 정밀도 얼마나 정밀하게 색을 표현하는지 - 각 픽셀당 색을 표현하는데 필요한 비트 수에 따라 색 표현의 정밀도가 결정 - 픽셀당 1bit 사용시 흰/검 두 색깔만 표현 - 8bit의 경우 256 컬러 (2⁸ = 256) 표현 가능 2. 선명도 해상도 resolution 얼마나 조밀하게 픽셀을 표현하는지 - 단위당 얼마나 많은 점(픽셀)을 보여줄 수 있는지를 의미 해상도가 높을수록 상세한 그림 표현함 이미 정해진 해상도를 높일 수는 없음 벡터파일 보다 더 다양한 색상 표현, 빛과 음영을 더 세밀하게 표현 가능 이미지 크기 확대시 품질 저하, 울퉁불퉁하게 표현됨 수백만개의..