GDG DevFest 2017 Seoul 블록과 함께하는 파이썬 딥러닝 케라스Taeyoung Kim
딥러닝 라이브러리으로 텐서플로우가 널리 알려져 있지만 입문자가 사용하기에는 조금 까다로운 부분이 있습니다. 비전공자라도 쉽게 딥러닝 모델을 구현할 수 있도록 개발된 하이레벨 딥러닝 라이브러리인 케라스는 직관적일 뿐만 아니라 다양한 레이어를 제공하고 있어 기초적인 모델부터 복잡한 최신 모델까지 쉽게 구현이 가능합니다. 본 발표에서는 케라스에 대해서 간단히 소개하고, 딥러닝 레이어 개념을 손에 잡히는 실체로 단순화 시킨 '블록’에 비유하여 설명합니다. 또한 기본적인 딥러닝 모델에 대해 블록을 쌓아보고 케라스 코드로도 같이 매칭시켜보면서 딥러닝의 기초적인 개념을 익히는 것은 물론 자신의 데이터로 바로 학습시켜볼 수 있는 딥러닝 모델 소스코드를 머리에 담아가실 수 있습니다.
GDG DevFest 2017 Seoul 블록과 함께하는 파이썬 딥러닝 케라스Taeyoung Kim
딥러닝 라이브러리으로 텐서플로우가 널리 알려져 있지만 입문자가 사용하기에는 조금 까다로운 부분이 있습니다. 비전공자라도 쉽게 딥러닝 모델을 구현할 수 있도록 개발된 하이레벨 딥러닝 라이브러리인 케라스는 직관적일 뿐만 아니라 다양한 레이어를 제공하고 있어 기초적인 모델부터 복잡한 최신 모델까지 쉽게 구현이 가능합니다. 본 발표에서는 케라스에 대해서 간단히 소개하고, 딥러닝 레이어 개념을 손에 잡히는 실체로 단순화 시킨 '블록’에 비유하여 설명합니다. 또한 기본적인 딥러닝 모델에 대해 블록을 쌓아보고 케라스 코드로도 같이 매칭시켜보면서 딥러닝의 기초적인 개념을 익히는 것은 물론 자신의 데이터로 바로 학습시켜볼 수 있는 딥러닝 모델 소스코드를 머리에 담아가실 수 있습니다.
CoreDot TechSeminar 2018 - Session4 Park EonyongCore.Today
코어닷 기술 세미나 2018
Session #4 : 박언용 (유니스트 석사과정)
얕은(shallow) 지식으로 보는 Tensorflow를 이용한 깊은(deep) 학습 코딩
17:00 ~ 17:50
딥러닝의 기본배경 및 트렌드를 알아보고, 간단한 예시(MNIST)를 통해서 파이썬을 이용한 코딩을 어떻게 하는지 보여드립니다.
- 딥러닝이란?
- Python (Tensorflow)
- 파이썬 예제 및 실제 애플리케이션 작성
https://coredottoday.github.io/2018/10/15/Coredot-기술-세미나/
Slides based on "Introduction to Machine Learning with Python" by Andreas Muller and Sarah Guido for Hongdae Machine Learning Study(https://www.meetup.com/Hongdae-Machine-Learning-Study/) (epoch #2)
홍대 머신 러닝 스터디(https://www.meetup.com/Hongdae-Machine-Learning-Study/) (epoch #2)의 "파이썬 라이브러리를 활용한 머신러닝"(옮긴이 박해선) 슬라이드 자료.
Slides based on "Introduction to Machine Learning with Python" by Andreas Muller and Sarah Guido for Hongdae Machine Learning Study(https://www.meetup.com/Hongdae-Machine-Learning-Study/) (epoch #2)
홍대 머신 러닝 스터디(https://www.meetup.com/Hongdae-Machine-Learning-Study/) (epoch #2)의 "파이썬 라이브러리를 활용한 머신러닝"(옮긴이 박해선) 슬라이드 자료.
링크드인의 Big Data Recommendation Products - 어제의 데이터를 통해 내일을 예측한다Evion Kim
DEVIEW 2013 발표 내용입니다 - http://deview.kr/2013/detail.nhn?topicSeq=36
링크드인 플랫폼 상의 다양한 Recommendation Product들, 이 제품들의 키워드는 바로 'Relevance(연관성)' 입니다. 가장 관련있는 데이터들을 제공함으로써 사용자의 삶을 더 쉽고 편하게 만들어 주는것이 링크드인 데이터 팀의 목표라 할 수 있겠습니다. 그렇다면 어떻게 해야 사용자에게 가장 연관성 높은 데이터를 제공 할 수 있을까요? 이에 대한 답을 한문장으로 요약하자면 '어제의 데이터를 분석하여 내일의 사용자의 행동을 예측한다' 가 될 것 같습니다.
본 발표에서는 이 한 문장을 좀 더 길게 풀어보려 합니다. 링크드인에서는 Hadoop, Key-Value Storage, Machine Learning등의 기술을 어떤 식으로 활용하여 연관성 높은 Recommendation Product를 만들고 있는지에 대해 소개해보겠습니다.
안녕하세요.
이번에 '1st 함께하는 딥러닝 컨퍼런스'에서 "안.전.제.일. 강화학습"이란 주제로 발표한 이동민이라고 합니다.
컨퍼런스 관련 링크는 다음과 같습니다.
https://tykimos.github.io/2018/06/28/ISS_1st_Deep_Learning_Conference_All_Together/
그리고 대략적인 개요는 다음과 같습니다.
1. What is Artificial Intelligence?
2. What is Reinforcement Learning?
3. What is Artificial General Intelligence?
4. Planning and Learning
5. Safe Reinforcement Learning
또한 이 자료에는 "Imagination-Augmented Agents for Deep Reinforcement Learning"이라는 논문을 자세히 설명하였습니다.
많은 분들이 보시고 도움이 되셨으면 좋겠습니다~!
파이썬(Python) 으로 나만의 딥러닝 API 만들기 강좌 (Feat. AutoAI ) Yunho Maeng
#Python #딥러닝 #API #ibmdeveloperday2019
여러분들의 성원에 보답하기 위해 IBM Developer Day에서 발표한 세션 자료를 공개합니다! 그 어느때 보다 발표자료를 요청한 분들이 많아 놀랐습니다~ 그럼 다음에 또 뵙겠습니다 :)
Github https://github.com/yunho0130/devday_python_api
세션 영상 https://youtu.be/Z7bTfnuLXck
CoreDot TechSeminar 2018 - Session4 Park EonyongCore.Today
코어닷 기술 세미나 2018
Session #4 : 박언용 (유니스트 석사과정)
얕은(shallow) 지식으로 보는 Tensorflow를 이용한 깊은(deep) 학습 코딩
17:00 ~ 17:50
딥러닝의 기본배경 및 트렌드를 알아보고, 간단한 예시(MNIST)를 통해서 파이썬을 이용한 코딩을 어떻게 하는지 보여드립니다.
- 딥러닝이란?
- Python (Tensorflow)
- 파이썬 예제 및 실제 애플리케이션 작성
https://coredottoday.github.io/2018/10/15/Coredot-기술-세미나/
Slides based on "Introduction to Machine Learning with Python" by Andreas Muller and Sarah Guido for Hongdae Machine Learning Study(https://www.meetup.com/Hongdae-Machine-Learning-Study/) (epoch #2)
홍대 머신 러닝 스터디(https://www.meetup.com/Hongdae-Machine-Learning-Study/) (epoch #2)의 "파이썬 라이브러리를 활용한 머신러닝"(옮긴이 박해선) 슬라이드 자료.
Slides based on "Introduction to Machine Learning with Python" by Andreas Muller and Sarah Guido for Hongdae Machine Learning Study(https://www.meetup.com/Hongdae-Machine-Learning-Study/) (epoch #2)
홍대 머신 러닝 스터디(https://www.meetup.com/Hongdae-Machine-Learning-Study/) (epoch #2)의 "파이썬 라이브러리를 활용한 머신러닝"(옮긴이 박해선) 슬라이드 자료.
링크드인의 Big Data Recommendation Products - 어제의 데이터를 통해 내일을 예측한다Evion Kim
DEVIEW 2013 발표 내용입니다 - http://deview.kr/2013/detail.nhn?topicSeq=36
링크드인 플랫폼 상의 다양한 Recommendation Product들, 이 제품들의 키워드는 바로 'Relevance(연관성)' 입니다. 가장 관련있는 데이터들을 제공함으로써 사용자의 삶을 더 쉽고 편하게 만들어 주는것이 링크드인 데이터 팀의 목표라 할 수 있겠습니다. 그렇다면 어떻게 해야 사용자에게 가장 연관성 높은 데이터를 제공 할 수 있을까요? 이에 대한 답을 한문장으로 요약하자면 '어제의 데이터를 분석하여 내일의 사용자의 행동을 예측한다' 가 될 것 같습니다.
본 발표에서는 이 한 문장을 좀 더 길게 풀어보려 합니다. 링크드인에서는 Hadoop, Key-Value Storage, Machine Learning등의 기술을 어떤 식으로 활용하여 연관성 높은 Recommendation Product를 만들고 있는지에 대해 소개해보겠습니다.
안녕하세요.
이번에 '1st 함께하는 딥러닝 컨퍼런스'에서 "안.전.제.일. 강화학습"이란 주제로 발표한 이동민이라고 합니다.
컨퍼런스 관련 링크는 다음과 같습니다.
https://tykimos.github.io/2018/06/28/ISS_1st_Deep_Learning_Conference_All_Together/
그리고 대략적인 개요는 다음과 같습니다.
1. What is Artificial Intelligence?
2. What is Reinforcement Learning?
3. What is Artificial General Intelligence?
4. Planning and Learning
5. Safe Reinforcement Learning
또한 이 자료에는 "Imagination-Augmented Agents for Deep Reinforcement Learning"이라는 논문을 자세히 설명하였습니다.
많은 분들이 보시고 도움이 되셨으면 좋겠습니다~!
파이썬(Python) 으로 나만의 딥러닝 API 만들기 강좌 (Feat. AutoAI ) Yunho Maeng
#Python #딥러닝 #API #ibmdeveloperday2019
여러분들의 성원에 보답하기 위해 IBM Developer Day에서 발표한 세션 자료를 공개합니다! 그 어느때 보다 발표자료를 요청한 분들이 많아 놀랐습니다~ 그럼 다음에 또 뵙겠습니다 :)
Github https://github.com/yunho0130/devday_python_api
세션 영상 https://youtu.be/Z7bTfnuLXck
[메일 주소 변경되었습니다.]
송상수 sssong@swedunet.org / https://www.facebook.com/gi.sik.in / swedunet.org
광주_전남 지역 초/중/고 교사분들을 대상으로 한
소프트웨어 교사 연수중 알고리즘 파트 부분입니다.
Computational Thinking의 핵심인 알고리즘을
다양한 예를 들어 쉽게 설명하고자 애썼습니다.
SW교육을 하시는 분들께 도움이 되길^^;
2. 목차
1. 인공지능이란?
2. 인공지능 기술의 종류
3. 그 중에 핫한 딥러닝이란?
4. 딥러닝 대충 맛보기
5. 머신러닝 중 Linear Regration 맛보기
6. 머신러닝 중 Sigmoid 맛보기
7. Sigmoid로 과목 패스 논패스 예측해보기
3. 인공지능이란?
- 인간의 학습능력과 추론능력, 지각능력, 자연언어의 이해능력 등을
컴퓨터 프로그램으로 실현한 기술
- “학습”이 주요 키워드. 학습을 통해 그 경험으로 “판단”
- 예) – 바둑 룰과 기보를 학습해 이세돌을 이긴 “알파고”
- - 소비자의 구매패턴을 학습해 쿠폰을 발행해주는 마트시스템
- - 그림에서 화풍을 학습하여 사진에 화풍을 입혀주는 시스템
- - 운전을 학습해 운전하는 자율주행차
5. 지도학습
- 입력과 출력 값에 대해 레이블(이름)을 지정해주는 학습방법
- 분류와 예측에 사용
- 예) 수업시작시간+전 날 음주여부+집과의 거리로 지각여부를 예측
수업시작시간 전 날 음주여부 집과의 거리 지각여부
9시 YES 보통 YES
9시 YES 보통 YES
9시 NO 멀음 NO
10시 NO 가까움 NO
10시 YES 가까움 YES
10시 NO 멀음 NO
이 데이터를 학습 후 INPUT
수업시작시간 9시
음주안함
집과의 거리 멀음
-> 예측한 지각여부 : NO
6. 비지도학습
- 값에 레이블이 없음
- 비슷한 값들끼리 군집화
9시 YES 보통
9시 YES 보통
9시 NO 멀음
10시 NO 가까움
10시 YES 가까움
10시 NO 멀음
7. 딥러닝이란?
- 사람의 뇌를 흉내낸 인공신경망을 기반으로 패턴을 추론하는 기술
- 인간의 두뇌처럼 많은 데이터속에서 패턴을 찾아내 사물을 구분하는
정보처리방식
- 이러한 신경망을 여러 겹으로 깊게(Deep) 쌓아서 정확도를 높임. 그래서
Deep Learning
8. 딥러닝 살짝 맛 보기
- 텐서플로우 Playground
http://playground.tensorflow.org/
학습 알고리즘, 테스트 데이터셋 등 여러 요소를 이용해 학습내용을 눈으로
확인할 수 있음.
실습에서 사용하는 학습 알고리즘은 Sigmoid를 사용.
10. 딥러닝 어디까지 왔나
- 학습한 내용을 바탕으로 새로운 컨텐츠를 생산까지
- 만약 학습한 내용을 이해했다면, 그 내용을 바탕으로 새로운 컨텐츠를
생산할 수 있어야한다 (GAN : Generative Adversarial Networks)
예) 1+2를 이해했다면 4+6도
가능해야한다
2017년 3월 31일 발표된 구글의
BEGAN이 생성한 얼굴
13. Linear Regration 개념
X에 대한 예측값 = 기울기(Weight) * X
* 즉 W값을 잘 조절해야함
예측값이 맞았는지에 대한 검증 = Cost함수
검증값 = 예측값-실제값의 제곱을 평균낸 값
Cost함수를 그래프로 그리면 왼쪽같이 나옴.
Y축이 낮을수록 정확도가 높아짐
예측값을 최적화(최적의 W값을 찾는법)
최적화값 = 기울기- (Learning Rate * 미분(Cost))
그래프의 기울기를 계산하여 제일 낮은 곳을 찾는다
출처 : 홍콩과기대 김성훈교수님의 모두를 위한 딥러닝 강의
15. Sigmoid 맛보기
X에 대한 예측값
z = H(X)
Cost = Y가 1일경우와 0일경우로 나뉨
하지만 그렇게 나누면 Cost함수의 그래프가
원형으로 나오지 않기 때문에 두 식을 합하면
아래와 같이 나옴
예측값을 최적화(최적의 W값을 찾는법)
최적화값 = 기울기- (Learning Rate * 미분(Cost))
똑같다
16. Sigmoid로 Pass NonePass 예측
Tensorflow 사용. IDE는 pycharm
입력값 : 공부시간, 출석 수
출력값 : 과목 Pass 예측값
오른쪽 사진은 테스트데이터