AIStudy_Online

지난 부트캠프 기간동안 두 번의 포트폴리오 첨삭이 진행 되었고 이번에는 두 번째 첨삭에 대해 회고해 보고자 한다. 포트폴리오와 자기소개서의 전체적인 인상1. 너무 일반적인 단어를 사용하여 자기소개서를 씀2. 계기가 흥미, 재미인 경우 언제든지 포기할수 있어 보임3. 계획이라는 키워드가 회사에 어떤 도움이 될 수 있는지 어필이 안됨4. 사용하면 안되는 표현 "잘", "상당히"와 같은 꾸미는 표현을 사용함 너무 일반적인 단어로 자신을 소개하여 "나"라는 사람을 구체적으로 표현하지 못함 이런 경우에 면접에 들어가서 너무 많은 질문을 받아 힘들수 있음. 또한 애초에 "나"라는 사람을 표현하지 못하여 면접까지 갈 메리트를 못 느낄 수 있음=> 면접은 나의 발전 가능성에 대한 이야기를 하는 자리임. 따라서, 나에 ..

NLP_01조(최제우)최제우, 현재호1. 프로젝트 개요개요일상생활에서 대화는 항시 이루어집니다. 가족, 친구 간에 대화가 오가고 회사에서 회의를 하거나 전화를 통해 대화를 하기도 합니다. 회의나 토의는 물론이고 사소한 일상 대화 중에서도 다양한 주제와 입장이 오가곤 합니다. 이러한 대화를 항상 녹음해 두었다가 나중에 다시 들을수 있는 것은 아니기에 대화의 내용을 그때 그때 요약해둘 필요성이 있습니다. 특히 최근에는 녹음과 동시에 대화 내용을 요약하는 서비스가 등장하고 있습니다.허나 같은 대화 내용도 사람에 따라 다른 요약을 만들수 있고 주제에 따라 다른 요약을 하기도 합니다. 하여 해당 프로젝트는 일상 대화를 바탕으로 요약문을 생성하는 모델을 구축하여 일관된 요약을 생성하는 것으로 목표로 합니다.환경팀 ..

판별 모델의 종류판별 모델은 정답 (Ground Truth, GT)이 존재하므로 모델의 출력을 정답과 비교하기 용이범주형 데이터를 사용하는 경우 (분류) 와 연속형 데이터를 사용하는 경우 (회귀 분석) 로 나눌 수 있음범주형 데이터분류 문제에서는 주어진 데이터에 대해 범주를 얼마나 잘 맞췄는지에 대해 평가직관적인 개념인 정확도 (Accuracy)를 많이 활용각 클래스별 데이터가 불균형한 경우에 정확도만으로 평가할 수 없음 => 정밀도 (Precision), 재현율 (Recall), F-점수 (F-score) 등 다른 지표를 통해 정확도의 단점을 보완연속형 데이터회귀 분석에서는 실제 값과 모델이 예측한 값의 차이를 기반으로 평가대표적으로 평균 제곱 오차 (Mean Square Error, MSE), 평균 ..

생성 모델주어진 데이터를 통해 데이터 분포를 학습하는 모델최대가능도 추정법 (Maximum Likelihood Estimation, MLE)가능도 (Likelihood)와 로그가능도 (Log-likelihood)모델 파라미터 𝜃에 의존하는 분포 p(x; 𝜃) 를 따르는 n개의 데이터 x₁, x₂, …, xₙ 관찰데이터로부터 모델 파라미터 𝜃를 어떻게 추정가능? => 가능도를 최대하는 파라미터를 찾으면 가능최대 가능도 추정법 (Maximum Likelihood Estimation, MLE)가능도를 최대화하는 파라미터 𝜃를 찾는 방법일반적으로 가능도 함수의 미분을 통해 계산동전 던지기 예제:관측치: 앞면 7번, 뒷면 3번파라미터 𝜃: 동전을 던질 때 앞면이 나올 확률확률질량함수: p(앞면; 𝜃)..

실생활 응용화질 개선저화질 영상의 화질 개선오래된 사진 복구다양한 잡음이 낀 영상을 깔끔한 이미지로 복원AI 프로필10~20장 기반의 프로필 생성Webtoon AI Painter스케치를 원하는 색상으로 자연스럽게 자동 채색상품 사진 생성일반적으로 촬영한 사진을 상품 소개 사진처럼 변환가상 옷 피팅주어진 사람과 옻을 합성텍스트 기반 영상 생성텍스트를 입력받아 사실적인 묘사, 추상적 표현을 풍부하게 생성하여 예술 부분에 특화된 생성 모델춤추는 영상 생성오디어 기반 비디오 합성한장의 사진과 음성으로 입력 사진에 해당하는 사람이 말하는 동영상 합성AI 더빙가상 아바타와 동영상 생성텍스트를 사람이 말하는 영상으로 변환AI 음악 생성기존 음성 소스를 활용하여 새로운 음악에 입히는 방식gen-2다양한 입력 기반의 동..

# 판별 모델과 생성 모델 판별 모델데이터 X가 주어졌을 때, 특성 Y가 나타날 조건부 확률 p(Y|X)를 직접적으로 반환하는 모델주어진 데이터를 통해 데이터 사이의 경계를 예측 ex) 로지스틱 회귀 분석활용특정 데이터를 서로 다른 클래스로 분류하는 문제에 활용정상 데이터에 대한 경계를 최대한 좁혀 이를 벗어나는 이상치를 감지생성 모델데이터 X와 특성 Y의 결합(joint)분포 p(X, Y) or Y가 주어질 때 X의 조건부(conditional) 분포 p(X|Y)를 추정하는 모델주어진 Y가 없는 경우, 데이터의 주변 (marginal) 분포 p(X)를 추정하는 모델주어진 데이터를 통해 데이터 분포를 학습 ex) 가우시안 혼합 모델 (Gaussian Mixture Model, GMM), p(X) = 여러..

생성 모델의 발전 과정고전 생성 모델 ( 2013년 이전 )생성 모델 (Generative models) 데이터는 저차원의 필수적인 정보로부터 생성가능하다는 가정하에 분포를 학습, 새로운 데이터를 생성확률 분포 추정과 근사가우시안 혼합 모델 ( Gaussian Mixture Model, GMM, 1981 )여러개의 정규 분포제한된 볼츠만 머신 (Restricted Boltzmann Machine, RBM, 1985)볼츠만 분포심층 신뢰망 (Deep Belief Network, DBN, 2006)여러 층의 RBM자기 회귀(Autoregressive Distribution Estimator, NADE, 2011)자기 회귀 기반의 생성 모델 딥러닝 기반의 생성 모델 ( 2014년 ~ )변분 오토 인코더 ( V..

CV_01조(최제우)최제우, 이아윤, 이승현1. 프로젝트 개요개요회사와 같이 다양한 이미지를 사용하는 환경에서 혹은 회사가 아니더라도 다수의 문서들을 다루는 환경에서 기존에 보관하던 다수의 문서를 디지털 화 하는 것은 상당히 큰 문제로 다가온다. 해당 프로젝트는 이러한 상황에 놓은 사람 혹은 회사에게 문서의 이미지 만으로 더욱 정확한 문서 분류를 해주는 것을 목표로 한다.환경팀 구성 및 개발 환경 : 5인 1팀, 인당 gup서버를 제공협업 환경 : Notion, Slack소통 환경 : Zoom, Slack2. 프로젝트 구성 및 역할전체실험 table 작성(notion)모델 실험 및 문제사항 공유개인EDAtrain, vaild, test셋 분리 및 시험적용다양한 모델 실험 및 성능 비교augmentatio..

개인 회고 작성 개요소개:이번 경진대회를 진행하며 받았던 피드백에서 가장기억에 남았던 부분은 데이터의 처리와 가공이 가장 중요하다는 피드백이었습니다. 하여 개인적으로 데이터의 결측치를 줄이고 이를 활용한 추가 피쳐를 만들어서 데이터를 다듬는데 집중했습니다. 또한 그 데이터를 공유하고 데이터의 활용여부를 논의했습니다. 나는 내 학습목표를 달성하기 위해 무엇을 어떻게 했는가?  개인 학습 측면: 앞서 말하였듯 기본적으로 데이터의 가공에 공을 들였고 또한 강의를 통해 배운 내용들을 실제로 적용해보는 시간을 가졌습니다. 실제로 데이터의 결측치를 처리하기 위해 외부 api까지 활용하였고 데이터들을 EDA하면서 결측치를 매꾸지 못한 변수들을 사용할지 버릴지 의논하였습니다.공동 학습 측면: 생각나는 전략이나 생성하는..

시작이 반이다 속담 중에 시작이 반이다라는 말이 존재한다.이는 시작이 힘들지 시작하기만 하면 끝내는 것은 일도 아니라는 의미다.사람들이 시작이 절반에 일을 절반 진행하면 일이 끝난것과 다름없다는 우스게 소리를 괜히 하는게 아닌 것이다. 벌써  Upstage AI Lab부트캠프를 수강한지 4개월이 지나간다. 기초적인 cs지식부터 Python 기초, Git hub조작법 같은 기초 지식과 실무지식을 함께 학습할 수 있었고 이와 동시에 통계, EDA, ML, DL과 같은 AI의 심화과정을 학습할 수 있었다. 물론 학습에서만 그치는 것이 아니라 함께 부트캠프를 수강하는 동기들과 함께 경진대회를 진행하는 등 직접 실습을 진행하는 시작이 함께 했다. 이번 글은 단순히 내가 공부한 내용을 복습하는 글이 아닌 지난 절반..