Difference between Discriminative Learning and Generative Learning
Cosine distance as a Basic metric of Deep Learning
Multi-layer Perceptron as a common part of Deep Learning Variants
Analogy between Similarity in Deep Learning and Wave Coherence
Deep Neural Net. as a Wave Extractor
How to implement realistic fabric material by Unreal engine?
This slider shows the way. You can make realistic and physically correct fabric shader by this method.
Approximate nearest neighbor methods and vector models – NYC ML meetupErik Bernhardsson
Nearest neighbors refers to something that is conceptually very simple. For a set of points in some space (possibly many dimensions), we want to find the closest k neighbors quickly.
This presentation covers a library called Annoy built my me that that helps you do (approximate) nearest neighbor queries in high dimensional spaces. We're going through vector models, how to measure similarity, and why nearest neighbor queries are useful.
3월 중순부터 한달이라는 기간동안 선거운동을 경험하면서 느낀점과 의견들을 정리해 봤습니다. 비전문가의 의견이라 부족한 점이 많고, 선거캠프의 공식적인 입장이나 견해와도 다른 개인의 생각일 뿐입니다.
IT업계가 단기간에 성장을 할 수 있었던 이유는 지식의 공유 문화가 활발했었기 때문이라고 생각합니다. 성공하든 실패하든 자신의 경험을 다른 사람들과 공유하고, 그것을 통해 배움으로써 업계 전체가 빠르게 발전할 수 있었습니다.
정치계에서는 이런 식으로 무언가를 공유하는 문화가 낯설고 걱정도 되시겠지만, 개인적으로는 우리나라 정치권에서도 사소한 지식이라도 문서로 정리되고 공유하는 문화가 만들어 지면 좋겠다고 생각합니다. 그런 문화 속에서 자연스럽게 정치권에 종사하시는 분들이 서로 배우고 성장해, 우리나라의 정치를 더 발전시켜 주실테니까요. 고 노무현 대통령이 대통령 기록실을 만드신 취지도 그런 게 아니었을까 감히 추측해봅니다.
벌써 선거가 끝난 지 한달이 지났고, 저는 다시 일상으로 돌아왔습니다. 그 전과 달라진 게 있다면 정치뉴스란을 좀 더 흥미롭게 읽을 수가 있게 되었다는 정도? 많이 부족한 글이지만 그냥 이런 의견도 있구나 정도로 가볍게 읽어봐 주세요. 감사합니다.
이 발표는 [야생의 땅: 듀랑고]의 지형 배포 시스템과 생태계 시뮬레이션 자동화 시스템에 대한 이야기를 다룹니다. 듀랑고의 각 섬은 크기와 지형, 기후 조건이 다양하고 섬의 개수가 많아서 수동으로 관리하는 것은 사실상 불가능합니다. 몇번의 사내 테스트와 베타 테스트를 거치면서 이러한 문제를 해결해주는 자동화된 도구의 필요성이 절실해졌고, 작년에 NDC에서 발표했던 생태계 시뮬레이터와 Docker, 그리고 아마존 웹서비스(AWS)를 이용하여 수많은 섬들을 자동으로 생성하고 관리하는 자동화 시스템을 구축하게 되었습니다. 그 과정에서 했던 고민들, 기존의 애플리케이션을 "Dockerizing" 했던 경험, AWS의 각 서비스들을 적절히 활용했던 이야기, AWS의 각 지역별 요금이 상이하다는 점을 이용해서 비용을 절감한 사례, 그리고 자동화 시스템의 문제점과 앞으로의 방향에 대해서 이야기 할 계획입니다.
How to implement realistic fabric material by Unreal engine?
This slider shows the way. You can make realistic and physically correct fabric shader by this method.
Approximate nearest neighbor methods and vector models – NYC ML meetupErik Bernhardsson
Nearest neighbors refers to something that is conceptually very simple. For a set of points in some space (possibly many dimensions), we want to find the closest k neighbors quickly.
This presentation covers a library called Annoy built my me that that helps you do (approximate) nearest neighbor queries in high dimensional spaces. We're going through vector models, how to measure similarity, and why nearest neighbor queries are useful.
3월 중순부터 한달이라는 기간동안 선거운동을 경험하면서 느낀점과 의견들을 정리해 봤습니다. 비전문가의 의견이라 부족한 점이 많고, 선거캠프의 공식적인 입장이나 견해와도 다른 개인의 생각일 뿐입니다.
IT업계가 단기간에 성장을 할 수 있었던 이유는 지식의 공유 문화가 활발했었기 때문이라고 생각합니다. 성공하든 실패하든 자신의 경험을 다른 사람들과 공유하고, 그것을 통해 배움으로써 업계 전체가 빠르게 발전할 수 있었습니다.
정치계에서는 이런 식으로 무언가를 공유하는 문화가 낯설고 걱정도 되시겠지만, 개인적으로는 우리나라 정치권에서도 사소한 지식이라도 문서로 정리되고 공유하는 문화가 만들어 지면 좋겠다고 생각합니다. 그런 문화 속에서 자연스럽게 정치권에 종사하시는 분들이 서로 배우고 성장해, 우리나라의 정치를 더 발전시켜 주실테니까요. 고 노무현 대통령이 대통령 기록실을 만드신 취지도 그런 게 아니었을까 감히 추측해봅니다.
벌써 선거가 끝난 지 한달이 지났고, 저는 다시 일상으로 돌아왔습니다. 그 전과 달라진 게 있다면 정치뉴스란을 좀 더 흥미롭게 읽을 수가 있게 되었다는 정도? 많이 부족한 글이지만 그냥 이런 의견도 있구나 정도로 가볍게 읽어봐 주세요. 감사합니다.
이 발표는 [야생의 땅: 듀랑고]의 지형 배포 시스템과 생태계 시뮬레이션 자동화 시스템에 대한 이야기를 다룹니다. 듀랑고의 각 섬은 크기와 지형, 기후 조건이 다양하고 섬의 개수가 많아서 수동으로 관리하는 것은 사실상 불가능합니다. 몇번의 사내 테스트와 베타 테스트를 거치면서 이러한 문제를 해결해주는 자동화된 도구의 필요성이 절실해졌고, 작년에 NDC에서 발표했던 생태계 시뮬레이터와 Docker, 그리고 아마존 웹서비스(AWS)를 이용하여 수많은 섬들을 자동으로 생성하고 관리하는 자동화 시스템을 구축하게 되었습니다. 그 과정에서 했던 고민들, 기존의 애플리케이션을 "Dockerizing" 했던 경험, AWS의 각 서비스들을 적절히 활용했던 이야기, AWS의 각 지역별 요금이 상이하다는 점을 이용해서 비용을 절감한 사례, 그리고 자동화 시스템의 문제점과 앞으로의 방향에 대해서 이야기 할 계획입니다.
NDC 16에서 발표한 '스매싱더배틀 1년간의 개발일지'라는
제목의 포스트 모템입니다.
PT의 내용은 실제 발표 자료에 조금 더 설명을 붙였으며
PT의 내용에 대한 질문은 아래의 주소를 통해서
문의 부탁드립니다.
Twitter
https://twitter.com/Studio_HG
Facebook
https://www.facebook.com/GameStudioHG
발표 당일에 발표를 결심하는 바람에 아침부터 코엑스로 가는 버스 안에서, 점심 시간과 쉬는 쉬간에 틈틈이 작업하느라 리허설을 한 번밖에 해보지 못해서 발표할 때 거의 슬라이드 노트를 읽다시피 했던 점 넓은 마음으로 양해 부탁드립니다. 마지막 한 문장을 남겨두고 징이 울려서 매우 아쉽네요. 좋은 행사를 만드는데 기여하신 모든 스텝, 발표자 그리고 참가자 분들께 진심으로 감사드립니다. 내년에 또 뵐 수 있었으면 좋겠습니다.
오픈소스 개발을 시작하기로 결정했더라도, 처음 개발하는 경우에는 막상 무엇을 개발할지, 그리고 어떻게 개발해야 할 지 막막하기만 합니다. 이 때는 기존에 공개되어 있는 오픈소스 프로젝트를 활용해 개선해나가는 프로젝트부터 시작하면 많은 도움이 됩니다. 이번 강연에서는 기존 오픈소스 프로젝트를 처음부터 새로 만들어가면서 개선해나갔던 경험을 이야기하고 어떻게 하면 오픈소스 개발에 쉽게 접근할 수 있는지를 알려줍니다.
2D 컴퓨터비젼에 대한 설명. 영상으로부터 정보를 추출해내는 공학/과학 분과인 컴퓨터비젼의 기술에 대한 쉬운 설명. 파이썬(Python)의 컴퓨터비젼/영상처리 라이브러리인 scikit-image를 주로 활용하였으며 코드를 함께 담음.
R컨퍼런스 발표본 (2014.5.30) 임.
IGC 2017과 시작해요 언리얼 2017에서 발표를 한 '오버턴 VR 개발기 - 1인 개발 3년차 리포트' 입니다.
오버턴을 개발하면서 있었던 이야기를 담고 있고
VR 게임을 개발하기 위한 노하우를 최대한 이야기하였습니다.
그러면서 1인 독립 개발을 하면서 느꼈던 점들을
발표하였으니 도움이 되셨으면 좋겠습니다.
피드백은 아래 SNS로 부탁드립니다.
https://twitter.com/Hanguny
How to Make Your Next Game Go BIG | Emmanuel CarraudJessica Tams
appChocolate is an independent app studio based in Cambridge, UK. We generated over 50 million downloads and have been #1 in App Store general ranking in over 40 countries for multiple apps. We will share our story with practical tips on how to launch successfully mobile games for independent studios and indie developers including analytics, KPIs, localisation, PR, ASO, monetization, user acquisition, App Store ranking on iOS and Android.
넥슨코리아 사내 발표자료로 왓 스튜디오에서 파이썬으로 《야생의 땅: 듀랑고》 서버를 비롯한 여러가지 도구를 만든 경험을 공유합니다.
- 게임서버와 각종 툴, 테스트/빌드/배포 시스템을 만들 때 사용한 재료
- 파이썬 코드 품질 개선, 디버깅, 프로파일링, 최적화
- 파이썬 오픈소스 생태계와 왓 스튜디오가 하는 오픈소스 활동
NDC 16에서 발표한 '스매싱더배틀 1년간의 개발일지'라는
제목의 포스트 모템입니다.
PT의 내용은 실제 발표 자료에 조금 더 설명을 붙였으며
PT의 내용에 대한 질문은 아래의 주소를 통해서
문의 부탁드립니다.
Twitter
https://twitter.com/Studio_HG
Facebook
https://www.facebook.com/GameStudioHG
발표 당일에 발표를 결심하는 바람에 아침부터 코엑스로 가는 버스 안에서, 점심 시간과 쉬는 쉬간에 틈틈이 작업하느라 리허설을 한 번밖에 해보지 못해서 발표할 때 거의 슬라이드 노트를 읽다시피 했던 점 넓은 마음으로 양해 부탁드립니다. 마지막 한 문장을 남겨두고 징이 울려서 매우 아쉽네요. 좋은 행사를 만드는데 기여하신 모든 스텝, 발표자 그리고 참가자 분들께 진심으로 감사드립니다. 내년에 또 뵐 수 있었으면 좋겠습니다.
오픈소스 개발을 시작하기로 결정했더라도, 처음 개발하는 경우에는 막상 무엇을 개발할지, 그리고 어떻게 개발해야 할 지 막막하기만 합니다. 이 때는 기존에 공개되어 있는 오픈소스 프로젝트를 활용해 개선해나가는 프로젝트부터 시작하면 많은 도움이 됩니다. 이번 강연에서는 기존 오픈소스 프로젝트를 처음부터 새로 만들어가면서 개선해나갔던 경험을 이야기하고 어떻게 하면 오픈소스 개발에 쉽게 접근할 수 있는지를 알려줍니다.
2D 컴퓨터비젼에 대한 설명. 영상으로부터 정보를 추출해내는 공학/과학 분과인 컴퓨터비젼의 기술에 대한 쉬운 설명. 파이썬(Python)의 컴퓨터비젼/영상처리 라이브러리인 scikit-image를 주로 활용하였으며 코드를 함께 담음.
R컨퍼런스 발표본 (2014.5.30) 임.
IGC 2017과 시작해요 언리얼 2017에서 발표를 한 '오버턴 VR 개발기 - 1인 개발 3년차 리포트' 입니다.
오버턴을 개발하면서 있었던 이야기를 담고 있고
VR 게임을 개발하기 위한 노하우를 최대한 이야기하였습니다.
그러면서 1인 독립 개발을 하면서 느꼈던 점들을
발표하였으니 도움이 되셨으면 좋겠습니다.
피드백은 아래 SNS로 부탁드립니다.
https://twitter.com/Hanguny
How to Make Your Next Game Go BIG | Emmanuel CarraudJessica Tams
appChocolate is an independent app studio based in Cambridge, UK. We generated over 50 million downloads and have been #1 in App Store general ranking in over 40 countries for multiple apps. We will share our story with practical tips on how to launch successfully mobile games for independent studios and indie developers including analytics, KPIs, localisation, PR, ASO, monetization, user acquisition, App Store ranking on iOS and Android.
넥슨코리아 사내 발표자료로 왓 스튜디오에서 파이썬으로 《야생의 땅: 듀랑고》 서버를 비롯한 여러가지 도구를 만든 경험을 공유합니다.
- 게임서버와 각종 툴, 테스트/빌드/배포 시스템을 만들 때 사용한 재료
- 파이썬 코드 품질 개선, 디버깅, 프로파일링, 최적화
- 파이썬 오픈소스 생태계와 왓 스튜디오가 하는 오픈소스 활동
2. 의도
• 기초적 개념인 유사도 거리의 이해
• 구성적 접근에 대한 옹호관점
• 그 관점 하에서 딥뉴럴넷 최종 2개층이 가지는
특수성에 대한 환기
• 최종 은닉층이 가지는 특수성과 가져야 할 바람
직한 특성에 대한 설명
• 바람직한 최종은닉층 출력을 돕는 수단으로서 현
재의 역전파 학습을 제외한 수단의 필요성 환기
• 그 측면에서 딥뉴럴넷들이 성공을 거둘 수 있었
던 원인을 설명하려는 첫 시도 (내용은 없고 도입
만.)
http://blog.kevinfream.com/2013/08/22/life-after-the-robots/
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
3. 1. 인공지능이란?
• 컴퓨터비젼
• 음성인식/합성
• 자연어이해
• 기타
http://blog.kevinfream.com/2013/08/22/life-after-the-robots/
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
4. 여러 고려사항
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
직접 가르칠 것인가
Vs.
스스로 배우게 할 것인가
(비통계적학습 대 통계적-)
아는걸 다뤄 아는걸 내게
할 것인가
Vs.
모르는거에서 아는걸 내
게할것인가
(기호처리 대 인식)
도달할 목표를 제시할 것
인가
Vs.
스스로 개척해가게할 것
인가
(지도학습 대 비지도-)
명확히 판단을 하게할 것
인가
Vs.
가까운 추측만 하게할 것
인가
(분류 대 회귀)
인간의 추측에서 시작하
게 할 것인가
Vs.
스스로 개척하게할 것인
가
(모수적학습 대 비모수적-)
다른지를 따지게 할 것인
가
Vs.
닮았는지를 조사하게 할
것인가
(판별과 구성)
…
5. 회귀와 분류
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
Q. 짜장면 먹을래 짬뽕 먹을래?
A. 짜장면은 약간 끌리고 짬뽕은 야~악간 끌려 (회귀)
A. 짬뽕이 짜장면보다 더 좋으니 짬뽕 먹을래 (분류)
6. 분류수행의 두가지 스타일
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
1. 다른지에 중점
나와 가장 다른 건. 톰이니 난 톰과는 한 조가 되지 않을래
2. 닮은지에 중점
나와 가장 닮은 건. 제인이니 난 제인과 한 조가 될래
http://www.evolvingai.org/fooling
7. 틀린걸 가르기
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
http://www.evolvingai.org/fooling
Q A
8. 닮은걸 찾아내기
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
Cat face: https://wallpaperscraft.com/download/cat_face_happy_56740/2560x1440
?
Network: http://www.turingfinance.com/misconceptions-about-neural-networks/
9. 회귀와 분류
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
.
10. 다층 퍼셉트론
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
http://docs.opencv.org/modules/ml/doc/n
eural_networks.html
11. 다층 퍼셉트론의 한계와 딥러닝
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
.
More is Better?
12. 5. 딥러닝 돌파구
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
13. 3가지 딥뉴럴넷
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
Deep Belief Net. Long Short-Term Memory
Convolutional Neural Net.
14. 딥뉴럴넷의 공통특징
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
All successful deep neural net has …
… common part at those tail.
Technically speaking, just {generative classification}-wise tendency can induces the special interests
in this part. (together with Softmax judging way).
15. 딥뉴럴넷의 공통특징
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
All successful deep neural net has …
… common part at those tail.
Improved part is here
16. 결맞음
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
Coherent waves vs. Incoherent waves
Same
Be equal Not be equal
17. 패턴인식에서의 결맞음
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
How can I know, How well-coherent two waves are?
Well Bad
18. 패턴인식에서의 결맞음
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
This kind of problem can cover various cases.
How much coherent?
(Coherency Similarity and Waves Features)
19. 딥러닝에 있어서의 결맞음
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
The final part of neural net checks coherency.
How much coherent?
(Coherency Similarity and Waves Features)
20. 결맞음 계산법
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
Geometrical Understanding of Coherency
21. 결맞음 계산법
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
Euclidean Distance vs. Cosine Distance
22. 완전한 결맞음을 향하여
1. 인공지능이란?
- 여러 고려사항
- 회귀와 분류
2. 분류수행의 두가지 스타일
- 틀린걸 가르기
- 닮은걸 찾아내기
3. 닮은걸 찾아내는 도구로서의
딥러닝
4. 뉴럴넷의 역사
-다층 퍼셉트론
-다층 퍼셉트론의 한계와 딥러닝
5. 딥러닝 돌파구
-3가지 딥뉴럴넷
-딥뉴럴넷의 공통특징
5. 특징추출기의 강화방향
-결맞음
-패턴인식에서의 결맞음
-딥러닝에 있어서의 결맞음
-결맞음 계산법
6. 완전한 결맞음을 향하여
The competency for ‘good wave extractor’.