if(life){code();}

FastAI 딥러닝을 빠르고 쉽게 할 수 있게 만들어진 고수준의 Python 라이브러리기본적으로 PyTorch 위에 만들어졌고, 복잡한 코드 없이도 빠르게 모델을 만들고 학습, 평가, 예측할 수 있게 도와줌 간결한 코드: 몇 줄만으로도 데이터 전처리, 모델 학습, 평가 가능전이학습 기본 내장: resnet, vgg 같은 사전 학습 모델 바로 사용다양한 모듈 지원: vision, text, tabular, collaborative filtering 등자동 최적화: 학습률 찾기, 데이터 증강, 조기 종료 등 자동 적용PyTorch 기반: PyTorch의 유연성과 강력함을 그대로 활용 가능 주요 모듈 fastai.vision.all이미지 분류, 객체 탐지 등 비전 관련fastai.text.all텍스트 분류, ..

CNN 기반 이미지 분류 주요 CNN 아키텍처ResNet(Residual Network)VGGInception (GoogLeNet) ResNet (Residual Network) 깊은 신경망에서 발생하는 기울기 소실 문제(Gradient Vanishing를 해결하기 위해 잔차 연결(Residual Connection) 도입) y = F(x) + x → 입력을 직접 다음 층에 더해주는 구조 대표 모델: ResNet-18, ResNet-50, ResNet-101, ResNet-152   VGG 필터 크기를 3x3으로 고정해 단순하고 일관된 구조를 갖춤깊이가 깊어질수록 파라미터 수는 많지만 구조적 이해가 쉬움 대표 모델: VCG16, VCG19 Inception (GoogLeNet) 다양한 크기의 필터(1x1..

합성곱 신경망(CNN) 이미지 데이터를 효과적으로 처리할 수 있도록 설계된 신경망합성곱 (Convolution)과 풀링(Pooling)을 활용하여 주요 특징을 추출  CNN의 기본 구성 요소합성곱 층(Convolutional Layer)입력 이미지에 필터(커널)를 적용하여 특징 맵(feature map)을 생성필터는 이미지의 국소적인 패턴(에지, 코너, 텍스처 등)을 학습풀링 층(Pooling Layer)특징 맵의 크기를 줄이고, 중요한 특징을 추출주로 Max Pooling과 Average Pooling이 사용됨완전 연결 층(Fully Connected Layer, FC Layer)추출된 특징을 바탕으로 최종 예측을 수행 대표적인 CNN 아키텍처 LeNet-5(1998년) 최초의 CNN 모델 중 하나손글..

행렬 숫자를 직사각형 배열로 나타낸 것  m x n 행렬m개의 행(row)과 n개의 열(column)로 구성 정방행렬행과 열의 수가 같은 행렬 대각행렬주대각선(왼쪽 위에서 오른쪽 아래 방향) 외의 원소가 모두 0인 행렬 단위행렬주대각선의 원소가 1이고, 나머지 원소가 0인 특별한 대각행렬 대칭행렬전치행렬과 자신이 같은 행렬(A = Aᵀ)  행렬 연산 덧셈과 뺄셈같은 크기의 행렬에서 원소별로 수행 스칼라 곱행렬의 모든 원소에 스칼라(숫자)를 곱함 행렬 곱셈(m x n) 행렬과 (n x p) 행렬의 곱은 (m x p) 행렬 전치행과 열을 바꾸는 연산  머신러닝에서의 활용 선형 회귀 (Linear Regression)입력 데이터 (X)와 가중치 행렬 (W)의 곱을 통해 예측 (Y)을 수행Y = X•W 합성곱 ..