머신러닝12 Furukawa et al., 2022, A comprehensible machine learning tool to differentially diagnose idiopathic pulmonary fibrosis from other chronic interstitial lung diseases # 세줄 요약 # 특발성 폐 섬유증(Idiopathic pulmonary fibrosis; 이하 IPF)은 환자의 예후가 좋지 않으면서 다학제(multidisciplinary) 간의 진단 정확도 마저 낮기에, 이번 연구에서는 환자의 위험을 유발하는 수술이 배제된 비침습적(non-invasive) 데이터들을 활용하여 딥러닝과 머신러닝이 결합된 알고리즘으로, 보통의 간질성 폐질환(interstitial lung diseases; 이하 ILD)로부터 IPF 환자를 분류하였다. 이번 연구는 후향적(retrospectively) 연구로 2007년 4월부터 2017년 7월 사이에 ILD로 진단된 환자들의 데이터(총 1068명의 ILD 환자 중 42.7%가 IPF 진단)를 모았으며, 딥러닝은 HRCT 영상에서 병변을.. 2023. 8. 28. 비전 딥러닝 특강 - 2-2. 신경망의 이해 / 신경망의 수학적 구성 요소 2023. 2. 9. 비전 딥러닝 특강 - 2-1. 신경망의 이해 / 머신러닝의 이해 2023. 2. 9. 비전 딥러닝 특강 - 1-2. 인공지능 개념 / 인공지능이란? 2023. 2. 9. 비전 딥러닝 특강 - 1-1. 인공지능 개념 / Orientation 2023. 1. 30. [강의 개요] 비전 딥러닝 특강 # 강의 개요 # 강사: 정종훈 대상: 딥러닝 입문자 내용: 영상을 다루는 비전 딥러닝을 중심으로 한 이론+실습 특강 # 강의 설명 # 서울대학교 융합과학기술대학원 응용바이오공학과 "바이오이미징 & 바이오포토닉스 연구실"에서 동료들을 위해서 진행한 내부 특강을 기반으로 딥러닝 입문자를 대상으로 만든 강의이다. 파이썬 코딩은 이미 알고 있다는 것을 가정하고 진행하였으며 우선은 딥러닝 개념 이해 및 코딩 입문을 목표로 하기에 라이브러리는 텐서플로2(케라스)로 이론과 실습을 진행하고, 이후 개념을 숙지한 상태에서 추가 실습으로 파이토치를 실습하였다. 주로 참고한 교재는 "케라스 창시자에게 배우는 딥러닝"와 "파이토치 첫걸음"이다. 본 블로그에서는 강의 노트만 제공한다. (* 원본 PPT 또는 강의를 원하시는 .. 2023. 1. 30. 케라스 창시자에게 배우는 딥러닝 - 6. 텍스트와 시퀀스를 위한 딥러닝 # 세줄요약 # 텍스트를 다루려면 텍스트를 단어, 문자, n-그램 단위로 나눠주는 토큰화(tokenization)라는 작업을 해주어야 하며, 이러한 토큰화에는 단순히 0, 1을 이용하여 행렬 배치해주는 '원핫 인코딩(one-hot encoding)'과 학습을 통해 단어 벡터(word vector)로 만들어주는 '단어 임베딩(word embedding)' 두가지 방법이 존재한다. 시퀀스 또는 시계열 데이터인 자연어 처리를 위해서는 네트워크가 전체 시퀀스의 흐름을 분석할 필요가 있고, 따라서 시퀀스의 원소를 순회하며 처리한 상태를 저장하고, 이전의 처리한 정보를 재사용하는 순환신경망(RNN: Recurrent Neural Network)이 주로 사용된다. 순환신경망(RNN)에서 주로 쓰이는 층(layer)로.. 2020. 12. 3. 케라스 창시자에게 배우는 딥러닝 - 4. 머신 러닝의 기본 요소 # 세줄 요약 # 머신러닝은 지도학습(Supervised Learning: 입력데이터에 타깃(정답)을 매핑하는 방법을 학습), 비지도학습(Unsupervised Learning: 타깃 없이 입력데이터의 흥미로운 특징 또는 표현 학습), 자기지도학습(Self-supervised Learning: 입력데이터에서 경험적인 알고리즘을 사용해 레이블 생성), 강화학습(Reinforcement Learning: 에이전트가 주어진 환경에서 보상을 최대화하는 방법을 학습) 등의 네가지 분류로 나뉜다. 머신러닝에서는 데이터를 훈련에 사용되는 훈련데이터(Train Dataset), 훈련 중 성능을 평가하여 모델 튜닝에 도움을 주는 검증 데이터(Validation Dataset), 훈련이 끝난 모델을 완전히 새로운 데이터에.. 2020. 10. 20. 머신러닝의 데이터셋 종류와 모델 평가 # 세줄요약 # 머신러닝(딥러닝)에 사용되는 데이터들은 훈련(Train), 검증(Validation), 테스트(Test)의 3가지 데이터셋으로 나뉘어 인공지능 학습 및 평가에 사용한다. Train dataset은 인공지능 모델을 학습하는 데 사용되며, Validation dataset은 학습된 모델의 성능을 검증하여 하이퍼 파라미터(Hyper parameter)를 조정하는 지표로 활용되며, Test dataset은 파라미터 조정까지 진행하여 최종적으로 학습이 완료된 모델의 성능을 평가하는데 사용된다. 인공지능을 학습하는 동안 Train dataset으로 학습시키고 Validation dataset으로 학습성능을 검증하는데, 이 두 데이터셋을 어떻게 나누는지에 따른 모델 평가 방법으로 Hold out va.. 2020. 7. 24. 인공지능과 머신러닝, 딥러닝의 관계 # 세줄요약 # 인공지능: 보통의 사람이 수행하는 지능적인 작업을 자동화하기 위한 연구 활동 머신러닝: 입력 데이터와 기댓값(해답 데이터)을 받아서 기대 출력에 가깝게 만드는 유용한 표현(representation)을 학습하는 것을 의미하며 인공지능을 만드는 방법 중 하나 딥러닝: 신경망(Neural Network)이라는 연속된 층에서 데이터로부터 점진적으로 의미있는 표현을 학습하는 새로운 머신러닝 기법 중 하나 # 상세 리뷰 # 인공지능과 머신러닝, 딥러닝의 관계는 정리하면 아래의 그림 1과 같다. 즉 인공지능이랑 말 그대로 인공적인 지능을 연구하는 학문분야를 의미하고, 머신러닝은 데이터를 주었을 때 데이터 속에 담긴 표현(representation), 법칙(relation) 등을 스스로 학습하여 문제.. 2020. 7. 24. 이전 1 2 다음
