본문 바로가기

분류 전체보기

 (23)
CNN 모델 정리 : ResNet 학부 연구실 과제로 공부했던 CNN 모델들 정리용 포스팅입니다.
CNN 모델 정리 : Inception V1부터 V3까지의 흐름 학부 연구실 과제로 공부했던 CNN 모델 정리용 포스팅입니다.
통계 이론 (정규분포) 정규분포 이미지 출처: https://www.mathsisfun.com/data/standard-normal-distribution.html $$ N(x;μ,σ^2)=\frac{1}{\sqrt{2πσ^2}}{exp(−\frac{(x−μ)^2}{2σ^2})} $$ 정규분포는 평균 μ을 기점으로 분산이 σ인 대칭을 띄는 종 모양의 그래프이다. 특히 평균 0, 분산이 1 인 정규분포를 표준정규분포라고 한다. 표준화 표준정규분포가 아닌 일반 정규분포를 평균이 0, 분산이 1이 되도록 맞추어 표준정규분포 형태로 바꾸는 것이다. μ 가 데이터들의 평균이고, σ가 데이터들의 표준편차일 때, 표준화는 다음과 같이 진행된다. $$ Z=\frac{X- \mu }{\sigma} $$ 중심 극한 정리 모딥단이 정규분포를 따르..
코딩 테스트 주요 알고리즘 feat.DFS/BFS 본 내용은 "이것이 취업을 위한 코딩 테스트다 with 파이썬" 책을 기반으로 포스팅하였습니다. DFS/BFS 사전 지식 탐색은 많은 양의 데이터 중에서 원하는 데이터를 찾는 과정이다. 이때 대표적인 탐색 알고리즘은 DFS와 BFS이다. 이 DFS와 BFS를 알아보기 위하여 기본 자료구조인 스택과 큐에 대한 개념과 재귀함수, 그래프에 대해서 먼저 알아보자. 스택 스택(Stack)은 상자를 쌓는 것과 비슷하다고 할 수 있다. 일반적으로 상자는 바닥부터 위로 쌓으며, 이를 다시 꺼내기 위해서는 위에서부터 순서대로 꺼낸다. 이러한 구조를 선입후출구조 (First In Last Out) 또는 후입선출구조(Last In First Out)라고 한다. 이를 파이썬 코드로 표현하면 다음과 같다. stack=[] # ..
코딩 테스트 주요 알고리즘 feat.구현 본 내용은 "이것이 취업을 위한 코딩 테스트다 with 파이썬" 책을 기반으로 포스팅하였습니다. 구현 머릿속에 있는 알고리즘을 소스코드로 바꾸는 과정 즉, 어떤 문제든 소스코드를 작성하는 과정이 있으므로, 구현 문제는 모든 코딩 테스트 문제 유형을 포함한다고 할 수 있다. 구현 유형의 문제는 풀이를 떠올리기 쉽지만, 이를 소스코드로 옮기는 것은 어려운 문제를 의미한다. 특히 이 책에서는 완전 탐색과 시뮬레이션을 구현 유형으로 다루고 있다. 완전 탐색은 모든 경우의 수를 다 계산하는 해결 방법이며, 시뮬레이션은 제시된 알고리즘을 한 단계씩 직접 수행하는 문제를 의미한다. 이 유형은 따로 정해진 알고리즘 틀이 있는 것이 아니므로, 문제들을 통해 어떤 식으로 풀어야 하는지 감을 잡아보도록 하자. 예제 4-1 ..
머신러닝 핵심 요약 4 (선형 분류와 회귀) 선형회귀(Linear regression) 학습과정 1. 임의의 파라미터 값을 설정해서 선형모델을 가정한다. 2. train data로 학습한다. 3. loss, cost를 사용해서 MSE를 구한다. 4. 경사하강법을 사용해서 MSE가 가장 작은 파라미터를 찾는다. (Least Squares methods; 최소 제곱법) 이미지 출처: https://vitalflux.com loss는 실제값과 예측값 차이(오차)를 제곱한 것(SE; Squared Error)이다. $$ loss = (Y-Y')^2 $$ 이때 Y는 실제값을 의미하고, Y'는 예측값을 의미한다. cost는 오차제곱들의 평균(MSE; Mean SE)이다. $$ MSE=\frac{1}{N}\sum_{i=1}^N (Y_i-Y&#39..
통계 이론 (여러가지 확률 분포) 여러가지 확률 분포 여러가지 확률분포들에 대해 살펴보고, 각각 평균과 분산이 어떻게 계산되는지 알아보자. 이산 균등 분포 취하는 확률들이 모두 같은 확률분포이다. 이산균등분포의 f(x)는 다음과 같이 계산된다. $$ f(x)=\frac{x}{n} $$ 이때 평균과 분산은 다음과 같이 계산된다. $$ E(x)=\sum_{x=1}^n x \cdot f(x) = \sum_{x=1}^n \frac{x}{n}=\frac{1}{n}\frac{n\,(n+1)}{2}=\frac{n+1}{2} $$ $$ Var(x)=\sum_{x=1}^n x^2 f(x)-{E(x)}^2=\sum_{x=1}^n \frac{x^2}{n}-(\frac{n+1}{2})^2=\frac{1}{n}\frac{n(n+1)(2n+1)}{6}-(\fra..
통계 이론 (확률) 확률 라플라스의 확률 (수학적 확률) 총 경우의 수: N 사건 A가 일어나는 경우의 수: n 이때 사건 A가 일어나는 경우의 수는 다음과 같다. $$ P(A)=\frac{n}{N} $$ 콜모고로프의 확률 (통계적 확률) $$ P(A)=lim_{n\rightarrow\infty}\frac{r_n}{n} $$ 이때, rn 은 사건 A가 일어난 횟수이며, n은 시행 횟수를 의미한다. 즉, 시행횟수가 무한대로 수렴하면서 특정 사건이 일어날 확률이 점점 확률값에 수렴됨을 의미한다. 기하학적 확률 $$ \frac{사건\, A가 \,일어날 \,영역의 \,크기}{일어날 \,수 \,있는 \,전 \,영역의 \,크기} $$ 조건부 확률 원래의 실험으로부터 그 일부인 새로운 표본 공간으로 축소한 또 다른 실험의 확률을 의미한..

티스토리툴바