딥러닝 프레임워크14 강화학습 1. 강화학습 기본 개념1-1. 강화학습이란 강화학습은 인공지능의 한 분야로, 에이전트가 환경과의 상호작용을 통해 스스로 학습하며 최적의 결정을 내리는 방법을 배우는 과정이다. 에이전트는 행동을 선택하고, 그 결과로 환경에서 보상을 받으며, 이 보상을 사용해 더 나은 행동 선택을 위한 학습을 진행한다. 이러한 프로세스는 주로 시행착오를 통해 진행되며, 목표는 최대한의 긍정적 보상을 누적하는 것이다.1) 강화학습의 구성 ① 에이전트(Agent) : 학습을 실행하는 주체로, 결정을 내리고 행동을 수행한다. ② 환경(Environment) : 에이전트가 상호작용하며 행동의 결과를 경험하는 곳이다. ③ 상태(State) : 환경의 현재 상태를 설명하는 정보이다. ④ 행동(Action) : 에이전트가 선택할 수 .. 딥러닝 프레임워크/강화학습 2024. 4. 30. GAN(Generative Adversarial Network) 1. GAN 이란? GAN(Generative Adversarial Network)은 생성적 적대 신경망으로, 2014년 Ian Goodfellow와 그의 동료들에 의해 처음 제안된 딥러닝 모델이다. GAN은 두 개의 신경망, 즉 생성자(Generator)와 구분자(Discriminator)가 서로 경쟁하면서 학습하는 구조를 가지고 있다. 1-2. 목적 GAN의 목적은 진짜와 구별할 수 없는 가짜 데이터를 생성하는 것이다. 생성자는 실제 데이터와 구분자를 속이기 위해 점차 실제 데이터와 비슷한 데이터를 생성하게 되고, 구분자는 진짜와 가짜를 구별하는 데 점차 능숙해진다. 1-3. 기본 원리 GAN의 기본 원리는 두 개의 신경망인 생성자와 구분자를 상호 경쟁시키는 것이다. - 생성자는 주어진 랜덤 노이즈 .. 딥러닝 프레임워크/생성형 AI 2024. 4. 22. LSTM (1) 1. LSTM(Long Short-Term Memory) LSTM은 장기 의존성 문제를 해결하기 위해 고안된 RNN의 한 변형으로, 바닐라 RNN의 구조적 한계를 극복한다. LSTM은 바닐라 RNN과는 달리 정보를 장기간 기억하는 능력이 뛰어나며, 이는 내부적인 게이트 구조 덕분이다. 이 게이트들은 네트워크가 장기간 정보를 저장하거나 삭제할 때 필요한 컨트롤을 제공한다. 2. LSTM 활용 2-1. LSTM의 장점 1) 장기 의존성 문제 해결 LSTM은 시퀀스가 길어짐에 따라 정보가 손실되는 것을 방지하고, 필요한 정보를 장기간 유지할 수 있다. 2) 유연한 정보 처리 삭제 게이트와 입력 게이트를 통해 정보를 유연하게 삭제하거나 추가할 수 있다. 이는 다양한 시퀀스 길이와 다이내믹한 정보 변화에 효과적으.. 딥러닝 프레임워크/자연어 처리 2024. 4. 19. RNN 실습 1. Numpy로 RNN 구현하기 1-1. 이론적 배경 RNN은 이전의 출력이 다음 입력에 영향을 미치는 네트워크 구조를 갖고 있다. 이를 통해 시퀀스 내 데이터의 시간적 연속성을 모델링할 수 있다. RNN은 크게 두 부분으로 나뉜다. 1) 은닉층 시점 t 에서의 은닉 상태 h_t 는 현재의 입력 x_t 와 이전 은닉 상태 h_(t-1) 에 의해 결정된다. 2) 출력층 은닉 상태를 기반으로 최종 출력을 계산한다. 1-2. 구현 단계 2. Tensorflow Keras API RNN 구현 케라스(Keras)를 사용하여 RNN 모델을 구현하는 방법에 대해 체계적으로 설명하고 순차적으로 케라스의 RNN 레이어를 구성하고 설정하는 방법에 대해 다룬다. - 케라스에서 RNN 레이어를 추가하는 방법 이해하기 - i.. 딥러닝 프레임워크/자연어 처리 2024. 4. 18. RNN 문자 생성 RNN을 활용하여 주어진 텍스트 데이터로부터 텍스트 생성 모델을 구축하고 훈련시키는 과정이다. - RNN을 이용한 텍스트 생성 모델 구축 - 케라스를 사용한 모델 설계 및 학습 - 새로운 텍스트 생성을 위한 모델 예측 수행 1. 데이터 준비 및 전처리 1-1. 데이터 로딩 1-2. 토큰화 및 정수 인코딩 1-3. 시퀀스 데이터 생성 1-4. 훈련 데이터 및 레이블 분리 2. 모델 설계 3. 모델 훈련 4. 텍스트 생성 함수 구현 5. 텍스트 생성 테스트 딥러닝 프레임워크/자연어 처리 2024. 4. 18. RNN (1) 1. RNN RNN(Recurrent Neural Network)은 시퀀스 데이터를 처리하기 위해 설계된 인공 신경망 모델이다. 이 모델은 입력과 출력을 시퀀스 단위로 처리하며, 각 시퀀스는 연속된 데이터 요소(예: 단어)의 나열로 구성된다. 예를 들어, 기계 번역에서 입력 시퀀스는 번역하고자 하는 문장의 단어들이고, 출력 시퀀스는 그에 상응하는 번역된 문장의 단어들이다. RNN은 내부에 순환 구조를 갖고 있어서 이전의 처리 상태를 기억하면서 다음 상태의 입력으로 활용할 수 있다. 이 특성 덕분에 RNN은 문맥이 중요한 언어 번역, 음성 인식, 시계열 예측 등 다양한 시퀀스 처리 작업에 널리 사용된다. 특히, RNN은 시퀀스의 길이에 상관없이 일정한 크기의 네트워크로 처리할 수 있는 능력이 있다. 이는 .. 딥러닝 프레임워크/자연어 처리 2024. 4. 18. 자연어 처리 예제(1) 1. 크롤링으로 데이터 수집하기 무한 스크롤일 경우 셀레니움 사용 2. 데이터 프레임으로 만들기 3. 데이터 전처리 4. DTM 5. W2V 6. 관련기사 추천 딥러닝 프레임워크/자연어 처리 2024. 4. 17. 자연어 처리(Text Mining) 1. 자연어 처리 자연어 처리는 인간이 사용하는 언어를 컴퓨터가 이해하고 처리할 수 있도록 하는 기술이다. 이를 위해서는 컴퓨터가 자연어를 이해하고 분석하는 기술이 필요하다. 이러한 기술은 기계학습과 딥러닝과 같은 인공지능 기술의 발전과 함께 지속적으로 발전해왔다. 자연어 처리 기술은 자연어 이해, 자연어 생성, 자연어 분석 등으로 구성된다. 자연어 처리 기술은 다양한 분야에서 활용된다. 예를 들어, 검색 엔진에서 검색어와 검색 대상 문서를 자연어 처리하여 가장 적합한 검색 결과를 제공하거나, 기계 번역에서는 다른 언어의 문장을 자연어 처리하여 번역 결과를 생성한다. 또한, 음성 인식 기술에서는 자연어 처리를 통해 사용자의 음성을 텍스트로 변환하여 처리한다. 현재 자연어 처리 기술은 다양한 문제점이 존재.. 딥러닝 프레임워크/자연어 처리 2024. 4. 16. CNN_고급활용(2) 1. 분할(Segmentation) 이미지 분할(Image Segmentation)은 이미지 내에서 각 픽셀이 어떤 객체 또는 배경에 속하는지를 식별하는 과정이다. 분할은 크게 의미 분할(Semantic Segmentation), 사례 분할(Instance Segmentation), 총괄 분할(Panoptic Segmentation)의 세 가지 주요 유형으로 나뉜다. 1-1. 의미 분할(Semantic Segmentation) 의미 분할은 이미지 내의 모든 픽셀을 특정 클래스(예: 사람, 자동차, 나무 등)에 할당하는 과정이다. 이 과정에서 이미지 내 동일한 클래스에 속하는 모든 객체는 같은 레이블로 표시된다. 다시 말해, 개별 객체를 구분하지 않고, 모든 객체가 동일한 클래스로 그룹화된다. 예시) 도로.. 딥러닝 프레임워크/이미지 처리 2024. 4. 12. CNN_고급활용 1. CV : Computer Vision 컴퓨터 비전은 디지털 이미지나 비디오를 분석하여 사람처럼 이해하려는 기술 분야이다. 1) 분류(Classification) 이미지 전체를 보고 그 이미지가 어떤 범주(클래스)에 속하는지 결정한다. 예를 들어, 이미지에 고양이가 있는지, 개가 있는지 분류할 수 있다. 2) 검출(Detection) 이미지 내에서 특정 객체의 존재와 그 위치를 찾는다. 예를 들어, 이미지 내에서 고양이가 어디에 있는지를 찾아내는 것이다. 3) 분할(Segmentation) 이미지를 여러 부분으로 나누어 각 부분이 어떤 객체에 속하는지를 결정한다. 예를 들어, 이미지의 각 픽셀이 고양이에 속하는지, 배경에 속하는지 분류한다. 4) 추적(Tracking) 비디오 내에서 시간에 따라 객체.. 딥러닝 프레임워크/이미지 처리 2024. 4. 8. CNN_전이학습 1. 전이 학습(Transfer Learning) 1-1. 전이 학습(Transfer Learning)의 개요 전이 학습은 한 분야에서 얻은 지식을 다른 분야의 문제 해결에 적용하는 학습 방식이다. 딥러닝, 특히 이미지 분류 문제에서 이 방식은 뛰어난 성능을 보여주며 널리 사용된다. 기존에 학습된 딥 뉴럴 네트워크(DNN)를 다른 데이터셋이나 문제에 적용하여 빠르고 정확한 결과를 얻을 수 있다. 이는 네트워크가 다양한 이미지로부터 보편적인 특징이나 패턴을 학습했기 때문에 가능하다. 1-2. 네트워크에서의 특징 학습 1) Low-level features 네트워크의 초기 층에서 학습되며, 이미지의 색, 경계와 같은 기본적인 요소를 포함한다. 2) High-level features 네트워크의 깊은 층에서 .. 딥러닝 프레임워크/이미지 처리 2024. 4. 4. CNN(Convolution Neural Network) 1. CNN(Convolution Neural Network) 이미지 처리, 컴퓨터 비전 및 음성 인식 분야에서 많이 사용된다. CNN은 인간의 뇌가 이미지를 처리하는 방식과 유사하게 작동한다. CNN은 주로 convolutional layer, pooling layer 및 fully connected layer로 구성된다. Convolutional layer는 입력 이미지에서 필터를 사용하여 특징 맵을 생성한다. Pooling layer는 특징 맵을 축소하여 계산량을 줄인다. Fully connected layer는 분류 작업을 수행한다. 2. CNN 구조 2-1. 입력층 입력층은 이미지의 픽셀값을 받아들이는 역할을 한다. 이미지가 입력층으로 들어오면, 이를 기반으로 합성곱층에서 이미지의 특징을 추출한.. 딥러닝 프레임워크/이미지 처리 2024. 4. 2. 이전 1 2 다음 728x90