728x90
728x90
5차 미니 프로젝트(4월 24일 ~ 5월 2일)5차 미니 프로젝트는 두 가지 프로젝트로 나누어졌는데 첫 번째 프로젝트는 '유통 매장에서 상품별 재고 문제 해결'이라는 주제로 시계열 데이터 분석을 진행해 보았습니다! 팀원 6명 중 2명씩 팀을 이루어 각자 맡은 세가지 상품에 대한 EDA 작업 및 시계열 패턴을 찾고 데이터 전처리 파이프라인을 구성하는 형식으로 진행 되었습니다. 아울러 모델링 후 성능을 평가하고 비즈니스 관점의 평가까지 마무리 하였습니다! 두 번째는 Yolov8 모델을 활용해 얼굴 인식 모델을 만드는 프로젝트였습니다! 조원 얼굴들 이미지를 각각 100장 이상 수집 후 라벨링을 진행하였고 조원들 이름으로 class를 수정해 yaml을 새로 생성하였습니다. 그 후 yolov8n 모델을 이용해 ..
10주차 4차 미니 프로젝트 (4월 22일 ~ 23일)4차 미니 프로젝트에서는 AICE Associate 시험 대비를 위한 시간을 가졌습니다. 데이터 전처리부터 머신러닝, 딥러닝까지 여태껏 배웠던 교육과정을 한번에 정리할 수 있어서 좋았습니다! 다만 분명 배웠음에도 기억이 나지를 않아서 구글링을 멈출 수가 없었습니다.. 시험 합격하려면 잊어버리지 않게 꾸준히 준비해야할 거 같습니다!! AICE Associate 시험 대비 1. 라이브러리 설치 import numpy as npimport pandas as pdimport matplotlib.pyplot as plt!pip install seabornimport seaborn as snsimport sklearn as sk 2. 데이터 로드df = pd.r..
딥러닝 심화 복습CNN(합성곱 신경망, Convolutional Neural Network)입력 이미지를 효율적으로 처리하고 특징을 추출하여 이미지 분류, 객체 감지, 객체 분할 등의 작업을 수행하는 데 사용1. Conv2D (Convolutional Layer)합성곱 연산을 수행하는 레이어로, 입력 이미지에 필터를 적용하여 특징 맵을 생성주로 이미지 처리에서 사용되며, 각 필터는 입력 이미지를 스캔하고 특정한 특징을 감지하는 역할filters = 32 (새롭게 제작하려는 feature Map의 수)kernel_size =(3,3) (필터의 가로세로 사이즈)Strides = (1,1) (필터의 이동 보폭)padding = 'Same' (feature map의 사이즈 유지, 외각의 정보를 조금이라도 더 반..
딥러닝 심화 복습객체 감지(Object Detection)이미지나 비디오에서 여러 객체를 식별하고, 그 객체들의 위치를 파악하는 작업분류(Classification)와 위치 파악(Localization)의 결합Localization : 단 하나의 Object 위치를 Bounding Box로 지정하여 찾음Object Detection : 여러 개의 Object들의 위치를 Bounding Box로 지정하여 찾음 1. Bounding Box하나의 object가 포함된 최소 크기 박스구성: x, y(좌표 정보) w,h(크기 정보)x min, y min, x max, y max, x center, y center, width, height 2. Class Classific..
클라우드 컴퓨팅인터넷을 통해 서버, 스토리지, 데이터베이스, 네트워킹, 소프트웨어, 분석 및 인공지능 기술 등의 컴퓨팅 서비스를 제공하는 모델을 말합니다. 기업이나 개인은 필요한 서비스를 인터넷을 통해 구독하거나 요청하는 방식으로 사용할 수 있습니다. 이는 사용자가 자체적으로 인프라를 구축하고 유지하는 데 필요한 비용과 복잡성을 줄여주며, 필요한 만큼의 자원을 즉시 확보할 수 있는 장점을 가지고 있습니다. 클라우드 컴퓨팅의 핵심기술가상화(Virtualization)가상화는 하나의 물리적인 서버에서 가상의 컴퓨팅 환경을 통해 여러 개의 운영 체제를 동시에 시뮬레이션 할 수 있도록 하는 기술입니다.가상화 기술 이전에는 하나의 하드웨어에 하나의 운영체제 위로 하나의 어플만 쌓아서 운영할 수 있었던 것에 비해..
딥러닝 기초 복습머신러닝 정리 알고리즘 평가 지표 딥러닝 개념인공 신경망을 사용하여 복잡한 패턴을 학습하고 데이터를 분석하는 기술스케일링 필수 가중치 조정 조금씩 가중치(weight)를 조정하며 지정한 횟수나 더 이상 오차가 줄지 않을 때까지 오차 확인 이를 학습이라고 함(가장 적합한 가중치를 찾는 과정) 학습 절차가중치에 초기값 할당예측 결과 출력오차 계산(MSE)오차를 줄이는 방향으로 가중치(weight) 조정(가중치 = 파라미터)1번으로 올라가 반복(max iteration에 도달)loss function: 오차계산optimizer: 가중치 조절learning_rate: 학습율 결정epoch: 반복횟수 딥러닝 모델링1. Regression 스케일링# 스케일러 선언 scaler = MinMaxScal..