기술기술

1. 정의 군집화, 차원축소 목적으로 2개의 층(입력층, 경쟁층)으로 구성된 인공신경망을 통해 사용자가 설정한 node 개수의 map에 데이터 mapping 하는 비지도 학습 알고리즘 차원축소(dimensionality reduction)와 군집화(clustering)를 동시 수행하는 머신러닝 비지도 학습기법 특징 : 승자독식 구조, 빠른 수행, 역전파 불가 2. 구성요소 및 과정 가. 개념도 및 구성요소 - 입노경가 나. 과정 - 초선유가반 - BMU(Best Matching Unit) : 가장 짧은 노드를 추적 - SOM은 역전파와 달리 단 하나의 전방패스 를 사용하여 수행 속도가 매우 빠르기에 실시간 학습처리를 할수 있는 모델 - SOM은 고차원의 데이터를 저차원의 지도 형태로 형상화 하기에 시각적..

1. 정의 특정 점을 기준으로 반경 x내에 n개 이상이 있을 경우, 하나의 군집으로 인식하는 밀도 기반의 무감독 알고리즘 [군집 인식 방식] Core point를 기준으로 epsilon(중심점으로부터의 거리) 내의 점의 수가 기준 이상 인 경우 2. 특장점 및 구성요소 가. 특장점 k-means처럼 미리 클러스터 수를 정하지 않아도 됨 밀도에 따라 클러스터 연결되므로 기하학적 모양의 군집도 발견 가능 Noise Point를 통해 이상치 검출 가능 나. 구성요소 - 엡클 코보컨노

1. 정의 n개의 데이터를 K개의 군집으로 분류하기 위해 K로부터의 거리 기반(유클리드 거리)으로 반복적 계산하는 비지도 학습 알고리즘 2. 절차 및 K-NN (K-Nearest Neighbor) , K-means 비교 가. 절차 - 최유레단N 나. K-최 근접 알고리즘(K-Nearest Neighbor) , K-평균 알고리즘(K-means) 비교

1. 정의 고객이 원하는 음성, 시각, 언어 등 데이터 전반을 수집해 인공지능 학습을 위한 고품질 데이터셋을 빠르게 구축하는 서비스 유형: 음성인식 라벨링(대화내용 받아 적기), 시각인식 라벨링(이미지, CCTV), 텍스트 라벨링(서적)

1. 정의 신규 데이터(fingerprint)의 군집 할당을 위해 기존 모든 데이터와 신규 데이터 거리를 측정하여 최고 인접 다수결에 의해 군집에 할당하는 감독 학습 알고리즘 2. 특징 및 동작원리 가. 특징 - 최유레단N 최고인접 다수결 : 기존 데이터 중 가장 유사한 k개의 데이터를 측정하여 분류 유사도(거리) 기반 : 유클리디안 거리, 마할라노비스 거리, 코사인 유사도 등 활용 Lazy Learning 기법 : 새로운 입력 값이 들어온 후 분류 시작 데이터 셋을 저장만 하고 일반화된 모델을 능동적으로 만들거나 하지는 않음 데이터가 들어온 후 분류 및 처리한다는 의미 단순 유연성 : 모형이 단순하며 파라미터의 가정이 거의 없음 NN(Nearest Neighbors) 개선 : KNN은 가장 근접한 k개..

1. 정의 데이터가 사상 된 공간에서 여백(Margin)을 최대화하고 일반화 능력을 극대화하여 결정 직선을 찾는 두 범주를 갖는 객체들을 분류(이진 분류, Binary classification) 하는 알고리즘 데이터 사상공간 경계선과 최근접 데이터(Support Vector)간 최대거리 경계 식별 알고리즘(MMH :Miximum Margin Hyperplane, 초평면) 활용 : 패턴 인식, 자료 분석을 위한 지도 학습 모델이며, 주로 분류와 회귀 분석 비확률적 이진 선형 분류 모델 생성, 지지도 이용, 벡터 이용, 기계학습 2. 구성도 및 구성요소 가. 구성도 나. 구성요소 - 서마초커 - 주어진 많은 데이터들을 가능한 멀리 두 개의 집단으로 분리시키는 최적의 초평면(hyperplane)을 Train..

1. 정의 LSTM의 은닉 상태를 업데이트하는 계산을 줄인 장단기 메모리 순환 신경망 LSTM의 장기 의존성 문제에 대한 해결책을 유지하면서, 은닉 상태를 업데이트하는 계산을 줄임 성능은 LSTM과 유사하면서 복잡했던 LSTM의 구조를 간단화 데이터 양이 적을 때는 매개 변수의 양이 적은 GRU가 조금 더 낫고, 데이터 양이 더 많으면 LSTM이 더 나음 2. 구성도 및 구성요소 가. 구성도 - 화살표 좌중우위위, 시시탄 X1-XX+ 나. 구성요소 - 리업캔히

1. 정의 RNN의 장기의존성 문제 해결위해 Hidden Layer를 Input Gate, Output Gate, Forget Gate라는 세가지 게이트를 이용하여 해결한 알고리즘 2. 구성도 및 구성요소 가. 구성도 - 화살표 위오위오위오오 시시탄시탄 X+XX 나. 구성요소 - 셀포인아

1. 정의 Hidden Node가 방향을 가진 엣지로 연결된 순환구조(directed cycle)를 통해 음성, 문자 등 순차적 데이터 학습, 처리를 위한 딥러닝 알고리즘 신경망 연결에 순환구조를 넣은것 연속된 데이터 상에서 이전 순서의 히든 노드(hidden node)의 값을 저장 이후, 다음 순서의 입력 데이터로 학습할 때 이전에 저장해 놓은 값을 이용 2. 개념도 3. RNN 기울기 소멸 문제(Vanishing Gradient Problem) RNN은 하나의 네트워크가 여러 개 복사된 형태를 띄고 있고 각각의 네트워크는 다음단계로 정보를 넘겨줌 시간에 따라 학습이 진행됨에 따라 앞에서 인풋으로 받은 정보가 학습에 미치는 영향이 점검 감소하다가 결국 사라져 버림 은닉층이 깊어질수록 장기 의존성 문제에..

1. 정의 Convolution layer, Pooling layer, Fully connected layer 를 통해 feature(특징) 추출, 차원 축소 단계를 거쳐 이미지를 분류, 인식 가능한 신경망 알고리즘 pooling - 이미지 특징을 반영하며, 차원을 축소 2. 절차 및 구성요소 가. 절차 - 원컨풀컨풀전 원본이미지 -> 컨볼루션 -> 풀링 – 컨볼루션 -> 풀링 – 전체 연결된 신경망 나. 구성요소 - 컨폴풀피 컨볼루션 레이어(Convolution Layer) : 합성곱(Convolution) 사용 특징(Feature) 추출, 특징맵(Feature Map)구성 폴링 레이어(Pooling Layer) : Subsampling 차원축소, Max pooling, Average pooling, ..