흑백 이미지 resnet 전이학습 분류 질문 있어요

첫번째 방법을 추천합니다. 이유는, 가중치를 구조 변경 없이 그대로 활용할 수 있어 전이학습의 안정성과 재현성이 가장 높기 때문입니다. 좋은 질문 감사합니다.

get_dummies 관련문의

(질문 1) 만약에 새로운 위에 있는 데이터를 predict 하고 싶으면, df에 concat 시키고, 다시 get_dummies 후에 해당 Row로 predict 해봐야 되는건가요?--> 새로운 data 는 학습에 사용되었던 df 와 섞이면 안되고 새로운 data 만으로 학습 데이터에서 만들어진 column 과 동일한 column 구조로 맞춰줘야 합니다. 새로운 data 한 건이 발생했다면 get_dummies 는 다음과 같이 코딩하면 됩니다.# 학습 시 사용했던 원-핫 컬럼dummy_cols = ['Embarked_C', 'Embarked_Q', 'Embarked_S']import pandas as pdnew = pd.DataFrame({'Embarked': ['Q']})encoded = pd.get_dummies(new, columns=['Embarked'])encoded = encoded.reindex(columns=dummy_cols, fill_value=0)print(encoded) Embarked_C Embarked_Q Embarked_S 0 1 0(질문 2)그리고 만약에 embarked에 Z라는 새로운 카테고리가 생기면 다시 학습시켜줘야 되는건가요?--> 학습 때 없던 Z는 자동으로 모든 열을 0으로 처리합니다:Embarked_C = 0Embarked_Q = 0Embarked_S = 0따라서, 다시 학습 시킬 필요 없습니다. 단, Z 라는 카테고리가 의미있는 정보이고 많이 발생하는 경우라면 학습 데이터에서 누락된 것이므로 Z 카테고리를 포함해서 다시 학습시켜야 합니다.

강의 수강

안녕하세요. 저도 이런 질문을 처음 받아보아서 인프런의 AI 에게 질의한 결과 다음과 같은 회신을 받았습니다.현재 인프런에서는 미리보기로 수강한 이력은 결제 이후의 수강 진도에 포함되지 않고, 결제 후 다시 수강해 주셔야 진도율과 완료 여부, 그리고 AI퀴즈 이용이 가능해요.완료 표시 및 AI퀴즈 이용을 위해서는 아래를 확인해 주세요.- 강의실 오른쪽의 "커리큘럼" 또는 "강의 대시보드"에서 강의별 체크 표시를 확인해 주세요.- 체크가 안 되어 있는 유닛(영상)은 다시 끝까지 재생해 수강을 완료해 주세요.- 수강을 완료했는데도 완료 처리되지 않았다면, 각 강의 하단의 [v봤어요] 버튼을 눌러 수동으로 완료 처리해 주세요.위 방법으로도 해결되지 않을 경우에는, 강의실 내에서 재생이 끝났는지와 [v봤어요] 버튼 클릭 여부를 한 번 더 확인해 주시면 좋겠습니다.

실습 강의 화질이 너무 안좋아요

제가 기술적으로 미숙해서 녹화 화질을 놓쳐 불편을 드려 죄송합니다. 장기적으로는 실습 부분을 재녹화할 계획을 가지고 있으나 양이 많아 고민중 입니다. 불편에 대한 사과의 표시로 제 다른 강의 중 듣고 싶으신 과정 하나 알려주시면 무료 쿠폰 발행해 드리겠습니다. 불편에 다시 한번 사과 드립니다.

파라미터갯수에대한질문(030_IMDB_movie_reviews)

Embedding(vocab_size + 1, 64) → 10,001×64=640,064Bidirectional(LSTM(64)) LSTM 한 방향의 파라미터 공식 : 4 × (d·u + u·u + u) = 4 × u × (d + u + 1) u = 64 (LSTM 유닛 수), d = 64 (임베딩 출력 차원) 4×64×(64+64+1)=4×64×129=33,024Bidirectional 이므로 2배: 33,024×2=66,048Dense(64, activation='relu')바이디렉셔널 LSTM 출력(128) × 64(출력) + bias 64(뉴런마다 1개) = 128×64+64=8,256Dense(1, activation='sigmoid')64(입력) × 1(출력) + bias 1 = 65좋은 질문 감사합니다.

객체 인식에 대한 질문이 있습니다.

컴퓨터 비전에서는 ‘색상만으로’ 분류하려 하면 여러 변수들이 개입합니다.예를 들어 조명, 반사, 카메라 화이트밸런스, 용기 형태로 인한 빛 왜곡등 때문에, ‘흑갈색 vs 갈색’처럼 미묘한 색상 차이를 RGB 값만으로 안정적으로 구분하기는 거의 불가능합니다.그래서 99% 정확도를 단순 색상으로 달성하는 것은 어렵습니다. 좋은 질문 감사합니다.

섹션 10 비지도 학습에 대하여

지도학습 문제를 그대로 비지도학습으로 바꾸면 ‘정답이 없는 문제’가 되어버려, 정확한 분류나 예측은 어려워집니다. 하지만 같은 데이터로 다른 목적의 모델 작성, 예를 들어 유사한 패턴끼리 클러스터링 같은 것은 가능합니다. 따라서 목적이 바뀌면 동일한 데이터를 두가지 용도로 모두 사용할 수 있습니다. 좋은 질문 감사합니다.

16:07슬라이드에소 헷갈리는 부분이 있습니다

두 network 의 차이점을 추가로 설명 드리겠습니다.b 의 역할 - 에이전트가 환경에서 경험을 수집할 때 따르는 정책. 대표적인 예가 e-greedy 정책입니다.- 다양한 경험을 위해 epsilon 만큼 무작위 행동을 합니다. 만약 잘못된 선택이었으면 weight 를 잘못된 방향으로 업데이트 하게 되겠지만 잘된 선택이었으면 weight 업데이트가 올바른 방향으로 진행되게 합니다.오프폴리시 학습에 사용합니다. 2. Q 의 역할 - 네트워크 자체의 출력입니다. 현재 네트워크가 출력하는 정책이 좋은 정책이면 점점 그 방향으로 weight를 이동시킵니다. 좋은 질문 감사합니다.

미분 결과가 왜 저렇게 나오는지 궁금합니다.

(사진)를 미분하면 (연쇄법칙)(사진)따라서,(사진) 입니다.두번째 질문하신 내용은 잘 이해하고 계십니다. 즉, value(Q)가 높은 action은 gradient에 큰 양수 weight를 줘서 그 action이 선택될 확률이 커지도록 하고, value가 낮으면 선택 확률을 줄이는 방향으로 학습됩니다. 좋은 질문 감사합니다.

Fast R-CNN 강의 관련 질의사항입니다.

Q1. 그런데 region proposal 결과가 왜 원본 이미지와 달리 500×700 크기로 나오는지 궁금합니다.--> 800×800 전체에서 부분 영역만 골라서 처리한다는 걸 보여주기 위해 임의의 크기를 넣은 것 입니다.즉, 500×700은 고정값이 아니고, “region proposal은 원본 이미지보다 작은 부분 영역일 수 있다”는 사실을 이해시키기 위한 예시 숫자입니다. Q2. 또한 feature map은 원본 이미지 전체(800×800)를 커버하는 반면, region proposal은 앞선 질문처럼 이미지 일부(500×700)만을 다룹니다. 그런데도 RoI Projection을 적용했을 때, region proposal이 feature map 전체에 반영된 것처럼 보이는 그림이 이해되지 않습니다. 강의 자료에는 5x7 혹시 이는 그림의 단순화/오류인지 궁금합니다.--> 그림이 잘못된 건 아니고 설명을 쉽게 하려고 실제 계산 과정을 단순화해서 보여준 예시라서 그렇습니다. feature map은 전체 이미지를 커버하지만, RoI Projection은 region proposal이 차지하는 부분 영역만 골라서 feature map에서 잘라 씁니다. 강의자료의 그림이 feature map 전체에 색이 칠해진 것처럼 보이는 건 “설명용 그림”일 뿐이고, 실제 연산에서는 proposal에 해당하는 5×7 영역만 사용해 고정 크기로 max pooling 합니다.Q3. 추가적으로, Fast R-CNN과 Faster R-CNN은 네트워크 학습을 기반으로 하기 때문에 단순히 입력 이미지에 바운딩 박스를 그리는 것 외에도 라벨링 과정이 필요할 것 같습니다. 이러한 라벨들이 어떻게 생성되는지에 대한 추가 강의도 있으면 좋겠습니다. --> 좋은 지적 감사합니다. 다음에 강의를 업그레이드 할 때 포함시키도록 노력하겠습니다. 감사합니다.