# MachineLearning
엘리스
- 17주차
- 18주차
# 퍼셉트론Perceptron
# 딥러닝 개론
인공지능(Artificial Intelligence) > 머신러닝(Machine Learning) > 딥러닝(Deep Learning)
딥러닝이란?
머신러닝 방법론 중 하나로, 인공 신경망에 기반하여 컴퓨터에게 사람의 사고방식을 가르치는 방법이다. 생물학의 신경망(neuron)에서 영감을 얻은 학습 알고리즘으로 사람의 신경 시스템을 모방한다.
Neuron System : 사람의 신경 시스템, 가장 작은 정보처리 단위인 뉴런, input -> 전달 -> output
인공 신경망의 특징 : 모델 스스로 데이터의 특성을 학습하여 지도, 비지도 학습 적용, input(데이터) -> hidden layer -> output(회귀분석, 분류, 패턴 파악)
# 퍼셉트론
이전 : 사람이 데이터의 특성을 입력해주는 형식
명시적 프로그래밍Explicit Programming : if를 활용하여 특성, 하지만 자율 주행 자동차에서 한계가 드러남, 수많은 경우의 수와 사람이 예측할 수 없는 경우도 많기 때문이다.
퍼셉트론이 하나 : 데이터가 입력되면 비선형 함수를 통해 출력
가장 좋은 w를 학습을 통해 찾아야함 -> Activation function(활성화 함수)
def perceptron(x, weights):
# bias
sum_ = weights[0]
for i in range(len(x) - 1):
pre_y += weights[i+1] * x[i]
return 1 if pre_y >= 0 else 0
2
3
4
5
6
# 이미지 데이터
# 이미지 데이터의 정의
-> 컴퓨터로 저장한 데이터(jpg, png)(디지털 매체에는 최소 단위가 필요함)
CNN : 딥러닝 모델, 이미지 분류를 잘하기 위한 방향으로 발전됨
Pixel픽셀 : Pictures Elements의 약자, 색이나 밝기 정보를 가짐
컬러는 RGB 채널을 가짐. 각 채널은 8비트의 수로 이루어지고 총 24비트, 채널 값이 클수록 색의 세기가 강해짐
흑백 이미지 : 픽셀이 한가지 값만 가짐, 해당 위치의 밝은 정도, 마찬가지로 8비트의 값을 가지고 값이 클수록 흰색에 가까움
# 딥러닝을 활용한 이미지 처리
사물 인식Object Detection : 자율 주행, 안면과 지문 인식, 의료 -> 비정상 부위 탐지
이미지 캡셔닝Image Captioning : 이미지 분류 결과를 기반으로 이미지를 설명하는 문장을 생성할 수 있다.(+자연어 처리)
딥페이크DeepFake : 한 사람의 얼굴에 다른 사람을 합성
화질 개선 : super resolution(해상도 개선), nvidia dlss(deep learning super sampling, 고해상도 모니터가 부드러움(FPS, frames per second)을 그리는데 부족, 저해상도 -> 고해상도로 늘려줌)
알파고(AlphaGo) : 바둑판 이미지로 학습
# 딥러닝 이전의 이미지 처리 기법
현재 딥러닝 모델 학습을 위한 데이터 가공에도 사용됨
형태, 색상, 필터 변환
- 형태 변환
Crop(잘라내기)
Rotate(회전) : 시계 방향
Resize(사이즈 변환)
Shearing(전단 변환) : 정사각형 -> 평행사변형
Rescale(비율 변환)
- 색상 변환
Brightness(밝기 변화)
Contrast(대조 변화) : 차이가 커짐
Grayscale(흑백 변화) : RGB -> 밝기로 바꿈(R)
- 필터 변환
Sharpening(샤프닝) : 선이 날카로워짐. 노이즈가 부각될 가능성 높음
Blur(블러) : 모자이크? 한 부분을 강조할때 나머지 부분
Edge Detection(경계선 감지) : 사물의 형태만
