페리

https://arxiv.org/abs/1610.02357 Xception: Deep Learning with Depthwise Separable ConvolutionsWe present an interpretation of Inception modules in convolutional neural networks as being an intermediate step in-between regular convolution and the depthwise separable convolution operation (a depthwise convolution followed by a pointwise convolution).arxiv.orgXception : Deep Learning with Depthwise..

[0]. SHAP (Shapley Additive Explanations)란?게임 이론의 샤플리 값을 활용한 기법이다.머신러닝 모델의 예측 결과를 각 피처(특징)의 기여도로 분해하여 설명하는 XAI 기법이다. [1]. SHAP이 필요한 이유 예를 들어 모델이 "악성 종양, 확률 98%"라고 했을 때왜 그 결론인가?어떤 요소가 결정적이었나?틀렸을 때 어디서 잘못됐나?"이걸 답하는 것이 XAI, 그중 Feature Attribution 계열의 대표가 SHAP이다.{1}. Feature Attribution이란?예측값 = 기준값 + 피처1 기여 + 피처 2 기여 + ... + 피처 n 기여즉, 각 피처가 예측에 얼마나, 어느 방향으로 기여했는지 수치로 분해하는 것이다. 근데 각 피처의 기여도를 어떻게 측정해야..

[1]. Attention Mechanism{1}. 개념"입력 데이터의 모든 부분을 동등하게 보지 않고, 중요한 부분에 더 집중하는 메커니즘" 예를 들면사람이 긴 글을 읽을 때 전체를 똑같이 집중해서 읽지 않는다."결론", "핵심", "중요"같은 단어가 보이면 그 부분을 더 집중해서 읽는 거랑 똑같다.{2}. 왜 나왔나? - RNN의 한계Attention 이전에는 RNN(순환 신경망)이 순서가 있는 데이터를 처리했다. RNN의 문제는 아래와 같다.입력 : "환자의 종양 크기가 매우 크고, MRI 신호강도가 높으며 나이는 젊다"RNN 처리 순서 :"환자의" → "종양" → "크기가" → 매우" → "크고" → "MRI" → .. → "젊다"문장이 길어지면 앞부분 정보가 뒤로 갈수록 희석된다. 예를 들면,1..

[1]. Saliency Map이란?{1}. 개념모델이 예측할 때 입력 이미지의 어느 픽셀에 집중했는지를 시각적으로 표현한 지도이다. 비유하자면 형광펜으로 중요한 부분에 밑줄 긋는 것이다.의사가 MRI 사진을 보고 "이 부분이 수상하다"며 동그라미 치는 것처럼모델이 "나는 이 부분을 보고 종양이라고 판단했어"를 히트맵으로 표현하는 것이다.{2}. 왜 필요한가?딥러닝 모델은 이미지를 보고 예측하지만 왜 그렇게 예측했는지(블랙박스)는 말해주지 않는다. Saliency Map은 블랙박스를 열어서 "모델이 이 부분를 보고 판단했다"를 시각적으로 보여준다.{3}. 핵심 아이디어"예측값에 가장 큰 영향을 준 픽셀이 어디인가?"픽셀을 조금 바꿨을 때 예측값이 크게 바뀌면 중요한 픽셀이고, 예측값이 안 바뀌면 중요하지..

[1]. Activation Function란?인공 신경망에서 이전 층의 가중치 합을 입력받아 비선형성을 추가하고, 다음 층으로 전달할 최종 출력값을 결정하는 함수다.. 쉽게 이해하기 위해서는 뉴런 구조를 알야 한다.{1}. 뉴런 구조 뉴런 구조는입력값 → [Net Input Function] → [Activation Function] → 출력 순으로 이뤄진다.Net Input Function : 입력값 x 가중치를 모두 더함Activation Function : Net Input Function의 합계를 받아서 최종 출력값으로 변환 쉽게 설명하면 아파트 경비실 CCTV 시스템과 같다.아파트 경비실에 여러 센서가 있는데문 열림 감지 센서 (가중치 높음)움직임 감지 센서 (가중치 중간)소리 감지 센서 (..

[1]. CNN (Convolutional Neural Networks)딥러닝에서 주로 이미지나 영상 데이터를 처리할 때 쓰인다.CNN에서 C는 Convolution(합성곱)을 뜻하며, 이미지의 특징을 추출하는 전처리 역할을 한다.{1}. 왜 쓰냐?(1). 문제점DNN(Deep Neural Network)의 문제점에서 시작되었다.DNN는 이미지를 1줄로 펼쳐버리기 때문에 공간(차원)이라는 정보가 소멸된다. 예) :"고양이 얼굴"을 이루는 건 눈, 코, 입의 위치 관계인데 픽셀을 한 줄로 펼치면 그 관계가 사라진다.즉, 숫자만 남고 맥락은 없어지는 것이다.(2). 핵심 아이디어CNN은 이미지를 날것 그대로 받아서, 부분 부분 흝어가며 특징을 쌓아나간다. 그림 감정사를 예로 들어보자DNN은 그림을 가위로 잘..

[1]. XAI란?AI가 만든 결과를 사람이 더 잘 이해할 수 있는 방식으로 해석하고 설명하는 기술 투명한 AI 의사결정 과정으로 *머신러닝 라이프사이클 중에 전반에 걸쳐 적용되는 기술 ? 머신러닝 라이프사이클비즈니스 문제 정의, 데이터 수집/정제, 모델 학습 및 평가, 배포, 모니터링 및 재학습으로머신러닝 전체의 과정이 이어지는 반복적인 순환 과정 XAI는 아래와 같은 질문에 답변을 해준다.모델이 그렇게 결과를 내놓은 이유?다른 결정을 하지 않은 이유?어떤 경우에 모델이 성공적이었는가?어떤 경우에 모델이 실패했는가?어떤 경우에 모델의 출력을 신뢰할 수 있는가?사용자는 오류를 어떻게 수정할 수 있는가?즉, XAI는 AI의 결정을 사람이 이해할 수 있도록, 어떤 근거로 그 결론에 도달했는지 설명해 주는..

- 사람이 명확하게 구분할 수 없는 지식을 구현해야 하거나- 사람이 일일히 구현하기에는 너무 많은 양의 규칙들이 필요한 경우=> 위 두 개의 문제를 해결할 수 있는 것이 머신러닝이다. 즉, 인간처럼 학습시켜서 컴퓨터가 규칙을 생성할 수 있지 않을까 해서 시도한 방법 [1]. 머신러닝? 인공지능이랑 뭐가 다름?{1}. 인공지능기계를 인간 행동의 지식에서와 같이 행동하게 만드는 것=> 1956년 다트머스 회의에서 존 매카시가 처음으로 발표함{2}. 그럼 뭐가 더 큰가?인공지능이 가장 큰 개념인공지능을 구현하는 방법 중 하나가 머신러닝머신러닝에는 여러 알고리즘이 있다. 그 중 하나가 인공신경망이고, 인공신경망 중에서 층을 깊게 쌓은 것이 딥러닝이다. 구조를 그리면 아래와 같다.AI └── Machine Le..

1. 하네스 엔지니어링 개념2026년 2월 미첼 하시모토가 처음 제안한 개념이다.AI 모델이 실수를 반복하지 않도록 구조적으로 제어하는 시스템을 의미한다.하네스는 말을 조종하기 위한 마구이다. 말이 올바른 방향으로 나아갈 수 있도록 해주는 도구인데 이게 AI한테도 적용이 된다. 모델의 힘을 제한하는 것이 아닌, 올바른 방향으로 집중시켜 정확한 결과를 내게 만드는 구조로 사용된다.하네스 엔지니어링은 모델을 제외한 모든 것이 하네스에 해당된다. 예를 들명 설정 파일, 스킬, 훅 등이 해당된다. AI가 이전 대화를 기억하는 것처럼 보이는 것도 하네스가 대화 내용을 모아서 매번 전달해주기 때문이다.2. 하네스 엔지니어링 왜 필요한가?AI는 작업이 길어지면 앞부분의 내용을 잊어버리는데, 이 현상을 해결하기 위해 ..

0. 선형대수란?*벡터와 *행렬을 다루는 수학의 한 분야임숫자를 계산하는 것을 넘어, 데이터를 공간상의 점으로 표현하고 이를 변환(회전, 확대, 축소 등)하는 방법을 연구함인공지능에서 데이터를 수치화하여 처리할 때 필수적으로 사용됨? 벡터 : 크기와 방향을 동시에 가지는 물리량? 행렬 : 숫자나 문자를 가로, 세로의 직사각형 모양으로 배열하고 소괄호나 대괄호로 묶어 표현한 것 이번 선형대수 1에서는 여러가지 데이터 단위들이 나온다. 깊게 들어가기 전에 가볍게 개념들을 익히고 들어가보자 1. 데이터 단위 : 스칼라, 벡터, 행렬, 텐서스칼라(0D) : 7, 49, π 등의 수치이다벡터(1D) : 1,2,3,4... 숫자들을 일렬로 나열한 것임행렬(2D) : 행과 열로 구성된 격자 형태임텐서(3D+) : ..