DEEPLEARNING

제 1강 MLops - ML 시스템 workflow 정리

머신러닝 시스템의 workflow 머신러닝 시스템의 workflow는 위와 같이 순환적인 구조를 이루고 있다. 지금 다니고 있는 직장에서도 위와같은 workflow로 진행이된다. 하지만 위의 과정을 자동화 또는 시각화하여 개발자, 연구자가 쉽게 접근할 수 있도록 해야 일의 능률이 상승한다. 비지니스 문제 정의 ML이 아닌 다른 알고리즘으로 해결이 가능한가? 위의 물음은 ML을 연구하고 개발하는 사람이라면 가지고 있어야하는 마음가짐 중 하나이다. 굳이 ML을 사용하지 않아도 해결될 문제를 ML로 해결하려는 것은 문제를 더 어렵게 만드는것이다. (ML프로젝트의 실패확률 매우 높음) 성능 목표 우리가 적용하려는 product가 어느정도의 리스크를 가지고 있으며 그 리스크를 해결할 만큼의 성능이 나오는 지 파악..

Titanic - Predict survival on the Titanic and get familiar with ML basics (kaggle) 2부 (학습 진행)

데이터셋 구성 학습과 검증 데이터의 비율을 80:20 으로 구성하였습니다. 그리고 1부에서 진행하였던 데이터 구성으로 학습 데이터와 검증데이터를 구성하였습니다. 그리고 test.csv를 이용하여 테스트 데이터셋을 구성하였습니다. def make_Tensor(array): return torch.from_numpy(array).float() data_percent = 0.8 train_data_len = int(len(x_data) * data_percent) train_x = np.array(x_data[:train_data_len]) val_x = np.array(x_data[train_data_len:]) train_y = np.array(y_data[:train_data_len]) val_y = n..

DETR:End-to-End Object Detection with Transformers 논문 리뷰

Abstract 본 논문은 object detection에서 direct set prediction problem을 해결하기 위해 제안되었다. DETR 특징 NMS(non-maximum suppression)과 anchor generation과 같은 부가 component 제거 이분 매칭(bipartite matching) transformer encoder-decoder architecture 병렬 예측 Introduction 본 논문은 end-to-end 구조를 활용한 object detection 연구를 진행하며 transformer 구조를 사용한다. DETR은 이미지 내 모든 객체를 한번에 예측하고 predicted object와 groud truth 간에 이분 매칭을 수행 후, loss func..