Be the only one, not the best one

Softmax Splatting for Video Frame Interpolation (AI Short Paper Summary)
Paper: https://arxiv.org/pdf/2003.05534.pdf
Github: https://github.com/sniklaus/softmax-splatting
Short Summary: https://www.marktechpost.com/2020/03/14/softmax-splatting-for-video-frame-interpolation/

역시 #TFDevSummitKR 키노트에 소개될 만큼 TensorFlow KR 그룹의 저력을 느낄 수 있었습니다. 이 자리를 빌어 하루만에 조회수가 1천회가 넘고, 1백회 이상 공유가 된 것에 대해 감사드립니다. 아울러 여러분들이 스터디 혹은 연구 하는데 도움이 되었으면 합니다.

어제 1부에 이어서 2부에서는 구글의 책임성 있는(Responsible) AI와 텐서플로우 교육 및 새로운 텐서플로우 개발자 인증, 개발자 커뮤니티 활동, 특히 박해선님과 같은 한국 분들이 키노트에 소개되어 "주모!"를 부르지 않을 수 없었습니다. 그외에도 유투브 플레이리스트에 올라와 있는 테크 세션들에 대해 어떤 내용이 발표 되는지 요약했습니다.

그럼 재택근무(WFH) 하시는 분들이 많으실텐데 맛있는 점심들 하시고 COVID19 예방 잘 하세요!

[#TFDevSummitKR](https://www.facebook.com/hashtag/tfdevsummitkr?source=feed_text&epa=HASHTAG&__xts__%5B0%5D=68.ARBejebBJFqAKlP15BF3BuJaqxNvi36oA2Xcwqbg_Cu5EYlpxCCLqpkjriTI-6oYkCmfpyTKFdneEbOZjtghMgw9w1hMfnQdlTjjI23nSI136Xf4cTA1DrXkAAaJX5UoFFMZJ3QialNjSgCwcwNHA8mAsdPW41vdnmDemqrUmIXvVyWAgCauLIObq0udnMnO-QCbo5qwISJ507HL3qfIxx-3jgFfnxBAE0BUTgULX2HTNaWsxjOijg6qgZ-6TfaF-QzI3aHKerbyHnMtgx2GSLRjUgr1k_cDx3cbgfIjR-2r8BZ8Nt6pHUbAlRUmIo-XTjl2XCE&__tn__=%2ANK-R-R)

[https://brunch.co.kr/@synabreu/54](https://l.facebook.com/l.php?u=https%3A%2F%2Fbrunch.co.kr%2F%40synabreu%2F54%3Ffbclid%3DIwAR3oP16PUIpRQV0s865wiy_NwawINHVcScSC4BxYsxl3n8JXBcHMeP18B84&h=AT2soJ-cH94a3l4MHALpnHX7n4z5C3RkNZqED4xhJ8UwvrkkS6npSXT_AkqOWTHqBrMOVGnlFLclwbUrMIpBjGRyCIZLOxG0gxWjqZMKw_s58uHU-TUHxETVAe-iljhWwZBzbkMiNEY2ge824k8Y3KSsxuhkKOJyGegaeo_WFPqp6lVD2XxxxDgDIvC4CtkvTvcdOFTSjIgwhrMz-yG_9JZftMtJW3JIZA6OxpvvXLU5egEQzrYoQJbricy6qrS66nW2bqYpL6Ne9GAfoQS39QYmmYP6dHe1zsSD9pXY6jJIKw2rQ6dbtm1H8fl4qg1pQc_gaTEbnY9PvRfQzp4a2DSTEOd9PqxGT07UhHi6ceFLPNL_CMuIcQkiZvUKqyvPFO8NhM5jQ5IrPM8OGGMI0Js1nSzfAk5Ux8CEIlkF4iEZm0P5OVk7gMbSNiLkaXa248IQj--EM8UsJCqlNjzx2iaFBXao_a-ed7Y4ulJfr02LwMuFygLgEzRF0JLQ_TlhbstzPlvOR_kNnYhkE4lpLbT2UWei8v06k0-8P1MUwB1h7J9xTUzTbNjJmLCLQlFewI7r25uD5rC6VSvBxYMN68xN7Ftm2hhuIvuEsxdoLoyWZFHcXg)

안녕하세요!

어제 부로 캐글 Bengaliai 대회가 마무리되었습니다.

총 2,059 팀의 참여한 대회였고,

정말 다양한 딥러닝 기반 컴퓨터 비젼 기술들이 소개되었습니다.

아래는 대략적인 정리입니다.

학습 기법: Multi label classification, auxiliary target, metric learning(arcface)

데이터 생성: data generation with cycleGAN, fonts

Metric trick: Postprocessing for recall metric

augmentation 기법: cutmix, mixup, augmix, autoaug, cutout, gridmask 등

벌써 상위 솔루션들이 소개되고 있네요

https://www.kaggle.com/c/bengaliai-cv19/discussion

1st. https://www.kaggle.com/c/bengaliai-cv19/discussion/135984

2nd. https://www.kaggle.com/c/bengaliai-cv19/discussion/135966

3rd. https://www.kaggle.com/c/bengaliai-cv19/discussion/135982

5th. https://www.kaggle.com/c/bengaliai-cv19/discussion/136129

6th. https://www.kaggle.com/c/bengaliai-cv19/discussion/136011

7th. https://www.kaggle.com/c/bengaliai-cv19/discussion/135960

8th. https://www.kaggle.com/c/bengaliai-cv19/discussion/135990

9th. https://www.kaggle.com/c/bengaliai-cv19/discussion/135985

14th. https://www.kaggle.com/c/bengaliai-cv19/discussion/136021

정말 DS, ML, DL 공부하는 데 캐글만한 게 없습니다.

최근들어 fast.ai 로 캐글에서 좋은 성적 내는 분들이 많더군요 ㅎ

fast.ai 좋아요!

[자기주도온라인평생학습] 이부일 교수의 R릴레오(WITHMOOC)

이부일 교수님의 R릴레오를 소개합니다. 현재 회귀분석까지 79개의 강의를 공유해주셨으며, R패키지와 통계학관련 강의를 주기적으로 공유해주고 계십니다.

명강의를 통하여 많은 분들이 통계와 R 에 좀 더 쉽게 한 발 다가서기를 바랍니다.

이부일의 R릴레오 #R강의 001 : 빈도 구하기

R을 이용하여 질적 자료에 대한 빈도를 구하기를 해 봅니다.

이부일의 R릴레오 #R강의 002 : 백분율 구하기

R을 이용하여 질적 자료의 백분율을 구하는 과정입니다.

이부일의 R릴레오 #R강의 003 : prettyR 패키지를 이용한 빈도와 백분율을 한 번에 구하기

prettyR 패키지에서 제공하는 freq() 함수를 이용하여 일변량 질적 자료에 대한 빈도와 백분율을 한 번에 구하는 과정을 소개합니다.

[이부일의 R릴레오] #R강의 004 : epiDisplay패지키의 tab1() 함수

epiDisplay 패키지에서 제공하는 tab1() 함수를 이용하여

일변량 질적 자료에 대한 빈도와 백분율을 한 번에 구하는 과정을 소개합니다.

[ 이부일의 R릴레오 ] #R강의 005 : barplot() 함수를 이용한 막대그래프

R의 기본기능에서 제공하는 barplot()함수를 이용하여 막대그래프를 작성하는 과정을 강의한다.

[ 이부일의 R릴레오 ] #R강의 006 : ggplot2 패키지를 이용한 막대그래프

R에서 데이터 시각화(Data Visualization)으로 가장 유명한 패키지인 ggplot2를 이용하여 일변량 질적 자료에 대한 막대그래프를 작성하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 007: plotly 패키지를 이용한 막대그래프

인터렉티브한 그래프 작성에 뛰어난 plotly 패키지에서 제공하는 plot_ly() 함수를 이용하여 막대그래프를 작성하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 008 : 일변량 양적 자료에 대한 빈도표 작성하기

일변량 양적 자료에 대한 빈도와 백분율을 작성하는 것으로,

cut() 함수를 통해서 구간의 정보를 갖는 새로운 질적 자료를 생성하고, 그 생성된 질적 자료에 대해 table()로 빈도, prop.table()로 백분율을 구하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 009 : hist() 함수를 이용한 히스토그램 작성하기

R의 기본기능에서 제공하는 hist() 함수를 이용하여 일변량 양적 자료에 대한 히스토그램을 작성하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 010 ggplot2 패키지를 이용한 히스토그램 작성하기

ggplot2 패키지를 이용하여 일변량 양적 자료에 대한 히스토그램을 작성하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 011 : plotly 패키지를 이용한 히스토그램 작성하기

plotly 패키지에서 제공하는 함수를 이용하여 일변량 양적 자료에 대한 히스토그램을 작성하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 012 : boxplot() 함수를 이용한 상자그림 작성하기

양적 자료에 이상치(outlier)가 있는지를 알아보기 위해서 작성하는 상자그림을 R의 기본기능에서 제공하는 boxplot() 함수를 이용하여 작성하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 013 : boxplot 작성 방법

상자그림(boxplot)를 작성하여 이상치를 파악하는 방법과 상자그림을 통해서 알 수 있는 분포의 모양을 소개하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 014 : ggplot2 패키지를 이용한 상자그림 작성하기

ggplot2 패키지를 이용하여 양적 자료에 대한 상자그림을 작성하는 내용을 다루었습니다.

[ 이부일의 R릴레오 ] #R강의 015 : plotly 패키지를 이용한 상자그림 작성하기

plotly 패키지를 이용하여 양적 자료에 대한 상자그림을 작성하는 내용을 다루었습니다.

[ 이부일의 R릴레오 ] #R강의 016 : 기술통계량의 개념(1)

양적 자료의 특징을 알려주는 기술통계량에 대한 개념을 소개하고 있습니다.

[ 이부일의 R릴레오 ] #R강의 017 : 기술통계량의 개념(02)

양적 자료에 대한 기술통계량의 개념으로 중심(대표값)을 나타내는 절사평균, 중위수, 최빈수에 대한 개념을 소개하고 있습니다.

[ 이부일의 R릴레오 ] #R강의 018 기술통계량(중심=대표값) 구하기(01)

양적 자료의 기술통계량으로 중심(대표값)을 알려주는 평균, 절사평균, 중위수, 최빈수를 R의 기본기능으로 구하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 019 기술통계량(퍼짐=산포=다름)의 개념

양적 자료의 특징을 파악하기 위해서 구하는 기술통계량으로 퍼짐(산포, 다름)을 알려주는 범위, 사분위범위, 분산, 표준편차, 중위수절대편차에 대한 개념을 간략히 소개하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 020 : 기술통계량 구하기(02)

양적 자료에 대한 기술통계량 중에서 퍼짐(산포, 다름)을 알려주는 범위, 사분위범위, 분산, 표준편차, 중위수절대편차를 R의 기본기능으로 구하는 과정을 다루고 있습니다.

[ 이부일의 R릴레오 ] #R강의 021 : 기술통계량구하기(3)

양적 자료에 대한 기술통계량 중에서 분포의 모양을 알려주는 왜도, 첨도에 대한 개념과 R에서 구하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 022 : psych 패키지를 이용하여 기술통계량 구하기

psych 패키지에서 제공하는 describe(), describeBy() 함수를 통해서 기술통계량을 구하는 내용을 다루고 있습니다.

[ 이부일의 R릴레오 ] #R강의 023 : dplyr 패키지를 이용한 기술통계량 구하기

dplyr 패키지를 이용하여 양적 자료에 대한 기술통계량을 구하는 내용을 다루고 있습니다.

[ 이부일의 R릴레오 ] #R강의 024 : dplyr 패키지를 이용하여 열(변수) 추출하기

dpylr 패키지에서 제공하는 select() 함수를 이용하여 데이터의 열(변수)를 추출하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 025 : dplyr 패키지를 이용한 행 추출하기

dplyr 패키지의 filter() 함수를 이용하여 특정한 행을 추출하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 026 : dplyr 패키지의 파이프 기능과 새로운 변수만들기

dplyr 패키지에서 제공하는 pipe(파이프) 기능과 mutate() 함수를 이용하여 새로운 변수를 생성하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 027 : dplyr 패키지를 이용한 기술통계량과 정렬하기

dplyr 패키지에서 제공하는 파이프 기능, summarise() 함수를 통한 기술통계량 구하기, group_by() 함수를 이용하여 집단별 처리, arrange() 함수를 이용하여 데이터를 정렬하는 내용을 다루고 있습니다.

[ 이부일의 R릴레오 ] #R강의 028 : dplyr 패키지를 이용한 데이터 합치기

dplyr 패키지에서 제공하는 inner_join(), full_join(), left_join(), right_join() 함수를 이용하여 데이터를 합치는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 029 : dplyr 패키지를 이용한 semi join과 anti join

dplyr 패키지에서 제공하는 semi_join() 함수와 anti_join() 함수를 이용하여 데이터를 합치는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 030 : 모집단과 표본

모집단, 표본의 대한 개념, 전수조사(총조사, 센서스)와 표본조사의 개념에 대해서 간략히 소개하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 031 : 분포(Distribution)

모집단의 분포가 어떻게 생겼는지를 표본을 뽑아서 추론하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 032 : 정규분포의 개념

모집단의 분포 중에서 가장 유명한 정규분포에 대한 개념을 간략히 설명하고 있습니다.

[ 이부일의 R릴레오 ] #R강의 033 : R을 이용하여 정규분포에서 확률구하기

R을 이용하여 정규분포에서 난수 생성하기, 누적확률 구하기, 확률변수값 구하기, 밀도 구하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 034 : 표본평균의 분포

표본평균의 분포에 대해서 짧게 설명한 내용입니다.

[ 이부일의 R릴레오 ] #R강의035 : 왜 분포를 알아야 하는가?

분포의 중요성을 설명하고 있습니다.

[ 이부일의 R릴레오 ] #R강의036 : 가설이란?

가설의 개념, 가설의 종류로 귀무가설과 대립가설을 다루고 있습니다.

[이부일의 R릴레오 ] #R강의037 : 유의수준이란 무엇인가? 01

가설검정에서의 유의수준에 대한 개념을 간략히 설명하고 있습니다.

[ 이부일의 R릴레오 ] #R강의038 : 유의수준이란 무엇인가?(02)

유의수준의 개념을 분포를 이용하여 설명하고 있습니다.

[ 이부일의 R릴레오 ] #R강의039 : 유의수준이란 무엇인가?(03)

가설검정에서의 유의수준 개념을 그림으로 설명하고 있습니다.

[ 이부일의 R릴레오 ] #R강의040 : 정규분포의 표준화

정규분포를 따르는 값들을 표준화하면,

표준화된 값들은 평균이 0이고 표준편차가 1인 표준정규분포를 따른다는 내용입니다.

[ 이부일의 R릴레오 ] #R강의041 : 유의확률이란 무엇인가?01

가설검정에서 표준정규분포에서의 유의수준과 유의확률의 개념을 설명하고 있습니다.

[ 이부일의 R릴레오 ] #R강의042 : 유의확률이란 무엇인가?02

가설검정에서의 유의확률 개념을 설명하고 있습니다.

[ 이부일의 R릴레오 ] #R강의043 : 일표본 t검정

하나의 모집단의 평균이 기존에 알고 있었던 것보다 커졌는지, 작아졌는지, 달라졌는지를 검정(분석)하는 일표본 t검정(One sample t-test)에 대한 내용을 다루고 있습니다.

[ 이부일의 R릴레오 ] #R강의044 : R을 이용한 일표본 t검정

R을 이용하여 일표본 t 검정(One sample t-test)을 하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의045 : R을 이용한 윌콕슨의 부호 순위 검정

일표본 검정에서 비모수적 방법인 윌콘슨의 부호 순위 검정(Wilcoxon's signed rank test)을 소개하고 있습니다.

[ 이부일의 R릴레오 ] #R강의046 : R을 이용한 일표본 검정

정규성 검정과 정규성 검정 결과에 따라 정규성 가정을 만족하면 One sample t-test, 정규성 가정이 깨지면 Wilcoxon's signed rank test하는 것으로 7개의 양적 자료에 대한 결과를 for문을 이용하여 한 번에 진행하고, 그 결과를 엑셀 파일에 저장하는 내용입니다.

[ 이부일의 R릴레오 ] R강의047 : R을 이용한 일표본 검정에 대한 Flow Chart

R을 이용하여 일표본 검정을 진행할 때에

이해하기 쉽도록 Flow Chart를 작성해 보았습니다.

[ 이부일의 R릴레오 ] #R강의048 : 독립 2표본 검정(01)

독립 2표본 검정에 대한 이론적인 내용입니다.

[ 이부일의 R릴레오 ] #R강의049 : 독립 2표본 검정(02)

독립 2표본 검정의 내용으로 등분산이 가정되었을 때와 이분산이 가정되었을 때의 독립 2표본 검정의 내용을 다루고 있습니다.

[ 이부일의 R릴레오 ] #R강의050 : 독립 2표본 검정(03)

독립 2표본 검정에서 등분산 검정에 대한 내용입니다.

[ 이부일의 R릴레오 ] #R강의051 : 독립 2표본 검정(04)

R을 이용하여 다음의 내용을 실습하는 내용입니다.

1. 정규성 검정

2. 등분산성 검정

3. 등분산이 가정된 Two sample t-test

4. 이분산이 가정된 Two sample t-test

[ 이부일의 R릴레오 ] #R강의052 : 독립 2표본 검정(05)

독립 2표본 검정에서 정규성 가정이 깨졌을 때에 사용하는 비모수적 방법(Non-parametric method)인 윌콕슨의 순위합 검정(Wilcoxon's rank sum test)에 대한 이론을 간략히 설명하고 있습니다.

[ 이부일의 R릴레오 ] #R강의053 : 독립 2표본 검정(06)

R을 이용하여 윌콕슨의 순위합 검정(Wilcoxon's rank sum test)을 하는 내용입니다.

[ 이부일의 R릴레오 ] #054 : 독립 2표본 검정(07)

R을 이용하여

정규성 검정을 하고, 정규성 가정을 만족하면 등분산 검정을 하고,

등분산 가정이 되면 등분산이 가정된 Two sample t-test,

이분산 가정이 되면 이분산이 가정된 Two sample t-test,

정규성 가정이 깨지면 Wilcoxon's rank sum test를 하는 프로그램을 작성하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의055 : 대응 2표본 검정(01)

동일한 집단의 사전의 양적 자료와 사후의 양적 자료에 통계적으로 유의한 차이가 있는지를 분석하는 내용으로, 정규성 가정이 만족되었을 때에 하는 대응 2표본 검정(Paired t-test)을 소개하고 있습니다.

[ 이부일의 R릴레오 ] #R강의 056 : 대응 2표본 검정(02)

동일한 대상자의 사전과 사후의 양적 자료에 통계적으로 유의한 차이가 있는지를 검정하는 Wilcoxon's signed rank test에 대한 내용으로 (사전-사후)의 값이 정규분포를 따르지 않을 때에 사용하는 방법입니다.

[ 이부일의 R릴레오 ] #R강의 057: 대응 2표본 검정(03)

정규성 가정이 만족할 때에 R을 이용하여 대응 2표본 t검정(Paired t-test)을 실습하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 058: 대응 2표본 검정(04)

R을 이용하여 대응 2표본 검정에서 정규성 가정을 만족하지 않을 때에 하는 Wilcoxon's signed rank test를 실습하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 059 : 대응 2표본 검정(05)

대응 2표본 검정으로 R을 이용하여 정규성 검정을 하고, 정규성 검정 결과에 따라 Paired t-test 또는 Wilcoxon's signed rank test하는 과정을 R로 실습하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 060 : 분산분석01

독립인 3개 이상의 모집단의 양적 자료에 통계적으로 유의한 차이가 있는지를 검정하는 분산분석에 대한 이론적인 내용입니다.

[ 이부일의 R릴레오 ] #R강의 061 : 분산분석02

독립인 3개 이상의 모집단의 양적 자료에 통계적으로 유의한 차이가 있는지를 검정하는 분산분석에 대한 이론적인 내용으로 SST = SSE + SSB에 대한 개념을 추가적으로 설명하고 있습니다.

[ 이부일의 R릴레오 ] #R강의 062 : 분산분석(03)

일원배치 분산분석(One way ANOVA)에 대한 이론적인 개념을 설명하는 것으로, F 검정통계량와 F분포를 설명하고, 이것을 이용하여 분산분석에 대한 가설검정을 하는 내용을 설명하고 있습니다.

[ 이부일의 R릴레오 ] #R강의 063 : 분산분석04

일원배치 분산분석으로, R을 이용하여 집단별 정규성 검정, Bartlett 또는 Levene의 등분산 검정, oneway.test(), aov() 함수를 이용한 분산분석을 하는 내용을 다루고 있습니다.

[ 이부일의 R릴레오 ] #R강의 064 : 분산분석05

분산분석의 내용으로 집단 간에 통계적으로 유의한 차이가 있다고 결론이 내려졌을 때에 어느 집단과 어느 집단 간에 유의한 차이가 있는지를 분석하는 다중비교(또는 사후분석)에 대한 R 실습 내용입니다.

[ 이부일의 R릴레오 ] #R강의 065 : 분산분석06

중비교(또는 사후분석) 방법으로

agricolae 패키지에서 제공하는 Tukey와 Duncan 방법을 R로 실습하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의 066 : 분산분석07

정규성 가정이 깨졌을 때에 사용하는 Kruskal-Wallis rank sum test에 대한 이론적인 설명입니다.

[ 이부일의 R릴레오 ] #R강의 067 : 분산분석08

정규성 가정이 깨졌을 때에 사용하는 Kruskal-Wallis rank sum test을 R로 실습하는 내용입니다.

[ 이부일의 R릴레오 ] #R강의068 : 상관분석01

두 개의 양적 자료 간의 관련성(직선의 관계 = 선형의 관계)이 있는지를 시각적으로 보는 산점도에 대한 개념과 R을 이용한 실습한 내용입니다.

이부일의 R릴레오 ] #069 : 상관분석02

두 개의 양적 자료 간의 관련성(직선의 관계 = 선형의 관계)의 정도를 수치로 알려주는 상관계수(coefficient of correlation)를 설명하는 내용입니다.

[ 이부일의 R릴레오 ] #070 : 상관분석03

두 개의 양적 자료 간의 관련성(직선의 관계 = 선형의 관계)의 정도를 수치로 알려주는 상관계수(coefficient of correlation)입니다.

[ 이부일의 R릴레오 ] #071 상관분석04

두 개의 양적 자료의 선형(직선)의 관계가 어느 정도인지를 알아보는 방법으로 두 개의 양적 자료가 정규성 가정이 깨지거나 순위형 자료로 왔을 때에 사용하는 방법 중의 하나인 Kendall의 상관계수에 대한 개념을 설명하고, R로 실습하는 내용입니다.

[ 이부일의 R릴레오 ] #072 상관분석05

두 개의 양적 자료 간에 통계적으로 의미 있는 상관관계(직선의 관계 = 선형의 관계)가 있는지를 검정하는 상관분석입니다.

[ 이부일의 R릴레오 ] #073 : 회귀분석01

어떤 양적 자료(들)가 다른 양적 자료에 통계적으로 유의한 영향을 주는지를 분석하는 회귀분석 내용을 다룹니다. 회귀분석을 인과관계, 즉 원인과 결과의 관계가 있는지를 분석한다고 얘기할 수 있다. 예측의 가장 기본이 되고 가장 많이 사용하는 분석 방법 중의 하나입니다.

[ 이부일의 R릴레오 : 074회 ] # 회귀분석02

회귀분석으로

종속변수(반응변수, label), 독립변수(설명변수, feature), 절편(intercept), 기울기(slope), 오차(error), 회귀계수(coefficient of regression), 회귀모형(regression model), 최소제곱법을 통한 회귀계수를 구하는 과정을 짧게 다루고 있습니다.

[ 이부일의 R릴레오 ] #075 : 회귀분석03

회귀분석으로 회귀모형의 타당성 검정에 대한 이론적인 내용입니다.

SST, SSE, SSR, MSE, MSR

[ 이부일의 R릴레오 ] #076 : 회귀분석04

회귀분석으로

회귀계수(기울기)에 대한 유의성 검정으로

독립변수(X)가 종속변수(Y)에게 통계적으로 유의한 영향을 주는지를 검정하는 내용입니다.

[ 이부일의 R릴레오 ] #077 : 회귀분석05

회귀분석으로 회귀모형의 설명력(or 독립변수의 설명력 or 결정계수)에 대한개념을 소개하는 내용입니다.

[ 이부일의 R릴레오 ] #078 : 회귀분석06

R를 이용하여 단순선형 회귀분석을 하고, 회귀모형의 타당성, 독립변수의 유의성 검정을 해석하는 내용입니다.

[ 이부일의 R릴레오 ] #079 : 회귀분석07

R를 이용하여 단순선형 회귀분석을 하고, 회귀분석의 결과를 해석하는 내용으로 다음을 다루고 있습니다.

Q. 독립변수는 종속변수에게 어떤 영향을 주는가?

Q. 회귀모형의 설명력(독립변수의 설명력, 결정계수)은 얼마인가?

Q. 예측값은 얼마인가?

* 유튜브 : https://www.youtube.com/channel/UCJ49UIzNXAaxZdDNYFxNhsA

* 출처 : http://withmooc.com/courses/%ec%9d%b4%eb%b6%80%ec%9d%bc%ec%9d%98-r%eb%a6%b4%eb%a0%88%ec%98%a4-%ec%9d%b4%eb%b6%80%ec%9d%bc-%ea%b5%90%ec%88%98-youtube/

[GAN] GAN — GAN Series (from the beginning to the end)

GAN zoo 등은 GAN이 너무 많아 어떤 내용부터 봐야할지 모르겠다면, 이 글을 추천합니다.

- GAN 개요
- GAN 프로젝트 예시
- GAN | Improving network design
- GAN | Improving cost function
- 그외 여러 GAN Issue

라는 큰 주제로 글을 잘 정리해두었습니다. 저도 이 순서와 Jaejun Yoo's Playground님의 자료(http://jaejunyoo.blogspot.com/search/label/GAN)를 바탕으로 Keynote를 만들고 있습니다.

매일 읽으면 해당 논문들을 2020상반기까지 읽을 수 있겠죠?? :)
함께 Keep Going 합시다!!

link : https://medium.com/@jonathan_hui/gan-gan-series-2d279f906e7b

손과 얼굴 트래킹은 이제 웹에서 아주 쉽게 할 수 있는 것 같습니다. MediaPipe와 TensorFlow.js 를 이용해서 하는 방법을 잘 소개하고 있네요. 이를 위해 facemesh / handpose 라는 패키지들이 공개되었습니다. 당장 적용해서 써먹어 볼 수 있는 앱들이 많을 것 같습니다.

[https://blog.tensorflow.org/2020/03/face-and-hand-tracking-in-browser-with-mediapipe-and-tensorflowjs.html?linkId=83996111](https://blog.tensorflow.org/2020/03/face-and-hand-tracking-in-browser-with-mediapipe-and-tensorflowjs.html?linkId=83996111)

11 Making the most of Colab (TF Dev Summit '20)

- 코랩 소개(주피터 노트북)

- 2012년부터 시작 : 와우~~ 이것은 몰랐네요. 2017년에 공개되었죠.

- 코랩 노트북에서 가상머신으로의 쉬운 연결, 최신 파이썬 버전 설치되어 있음, 수백개의 유명한 라이브러리 설치.

10가지 유용한 팁

(1) 텐서플로 2.x 버전대 지정하기(사용 가능)

(2) 텐서보드 사용

(3) TFLite? 사용가능 - 코랩에서 훈련하고, 모바일로 배포

(4) TPU - 무료 : 와우~, 런타임 변경 필요.

(5) 로컬 런타임 : 본인 GPU 사용 가능

(6) 코랩 scratchpad ??

(7) 데이터를 코랩 vm에 복사하기 - 속도 향상

(8) 메모리 관리

(9) 작업 종료후 탭 닫기

(10) 필요시에만 - GPU 사용(자원 관리)

코랩 프로 출시

그냥 아무 생각없이 코랩 사용하고 있었는데, 새로 알게된 기능들이 있네요. 코랩을 더 잘 사용할 수 있을 것 같아요. 개인적으로는 데이터를 가상머신에 복사하는 기능의 성능 향상이 궁금하네요. 기존 코랩 사용할 때, 데이터가 크면 로컬에서, 구글드라이브에서 불러올때 성능 차이가 좀 많이 났거든요.

[#TFDevSummitKR](https://www.facebook.com/hashtag/tfdevsummitkr?source=feed_text&epa=HASHTAG)

SLAM 온라인 스터디 SLAM DUNK 2020 | 이용이님 발표

동영상
https://youtu.be/KmurS57AsoQ

발표자료
(1) LIO-mapping
https://drive.google.com/open?id=1ur4XO_sdu6jVjGPgM5HA1chHY2ap_f5N

안녕하세요!

캐글의 중요성은,

캐글러들의 커리어를 추적하면 바로 알 수 있습니다.

최근 제가 소개드린 albumentations 의 개발자이며,

현재 lyft 의 시니어 비젼 엔지니어인 Vladimir Iglovikov 의

lyft3d 대회 후기입니다.

https://www.kaggle.com/c/3d-object-detection-for-autonomous-vehicles/discussion/133895

그랜드마스터가 되면 어떤 삶이 펼쳐지는 지에 대해서도

친절히 답변해주었네요

캐글로 정말 무언가 하고싶으시다면

꼭 읽어봅시다

https://towardsdatascience.com/ask-me-anything-session-with-a-kaggle-grandmaster-vladimir-i-iglovikov-942ad6a06acd

https://www.youtube.com/watch?v=7RtWlPpk348&list=PLwvr-xPygMX9TaQFW3C1UGEuD0zJF7pCk

[ 유튜브 채널 : K-ICT 빅데이터센터 ]
 

* 학습목차
1 . 파이썬 머신러닝 강의 01-1 – 머신러닝(Machine Learning) 개요
머신러닝의 정의를 소개하는 강의입니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395976711
주요내용
– 머신러닝의 정의
– 머신러닝 사례
 

2 . 파이썬 머신러닝 강의 01-2 – 머신러닝을 사용하는 이유
머신러닝을 사용하는 이유를 전통적인 학습방법과 비교하여 설명합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395948777
주요내용
– 전통적인 접근 방법
– 머신러닝 접근 방법
– 자동으로 변화에 적응
– 머신러닝을 통해 새로운 패턴을 발견
 

3 . 파이썬 머신러닝 강의 01-3 – 머신러닝 기법의 분류
머신러닝의 학습 특성에 따른 분류를 소개하는 강의입니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395909366
주요내용
– 지도학습
– 비지도학습
– 강화학습
– 준지도학습
 

4 . 파이썬 머신러닝 강의 01-4 – 파이썬 아나콘다 및 Jupyter Notebook 설치 실습
머신러닝 개발환경 구성을 위한 프로그램 설치 실습 강의입니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395874550
주요내용
– 파이썬과 Anaconda 설치 및 환경설정하기
– Jupyter Notebook 설정 및 실행하기
 

5 . 파이썬 머신러닝 강의 01-5 – 머신러닝 개념 및 개발환경 구성 주요정리
머신러닝 개념 및 머신러닝 개발환경 구성 강의 주요내용 정리 영상입니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395846022
6 . 파이썬 머신러닝 강의 02-1 – 파이썬 NumPy 소개
파이썬의 연산처리에 활용되는 NumPy 라이브러리를 소개하는 강의입니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395819694
주요내용
– NumPy(Numerical Python) 소개 및 특징
 

7 . 파이썬 머신러닝 강의 02-2 – 파이썬 NumPy 주요 함수 및 기능 정리
파이썬 NumPy 배열 객체의 기본적 활용을 위한 함수 및 기능을 정리한 강의입니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395793992
주요내용
– NumPy 패키지와 배열(ndarray) 객체
– NumPy 배열 객체의 주요 속성
– 인덱싱 및 슬라이싱
– 내장 함수 사용
– 브로드캐스팅
– 부울 배열과 마스킹 연산
– 배열 객체 정렬
 

8 . 파이썬 머신러닝 강의 02-3 – 파이썬 Pandas 소개
파이썬에서 데이터 처리 및 연산에 사용되는 Pandas 라이브러리 특징을 소개하는 강의입니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395765166
주요내용
– Pandas 소개 및 특징
 

9 . 파이썬 머신러닝 강의 02-4 – 파이썬 Pandas 주요 함수 및 기능 정리
파이썬 Pandas 주요 기능 및 함수 활용방법을 설명하는 강의입니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395733821
주요내용
– Pandas 패키지와 Series, DataFrame 객체
– DataFrame 객체와 loc 인덱서, iloc 인덱서의 활용
– DataFrame 객체의 행과 열 조작
– DataFrame 객체의 널 값 연산
– DataFrame 객체의 조인 연산
 

10 . 파이썬 머신러닝 강의 02-5 – 파이썬 NumPy, Pandas 주요내용 정리
파이썬 NumPy, Pandas 라이브러리 주요내용 정리 영상입니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395702947
 

11 . 파이썬 머신러닝 강의 03-1 – 파이썬 데이터 시각화 Matplotlib 소개 및 활용준비
파이썬 데이터 시각화 라이브러리인 Matplotlib를 소개하고 활용 준비과정을 설명합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395672528
주요내용
– matplotlib 임포트와 Jupyter Notebook에 플롯 삽입 준비
– 플롯 스타일과 설정
 

12 . 파이썬 머신러닝 강의 03-2 – 파이썬 Matplotlib의 라인 플롯 만들기
파이썬 Matplotlib 라이브러리를 활용한 라인 플롯을 그리는 방법을 설명합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395646866
주요내용
– 라인 플롯과 주요 속성 설정
– 스타일 컨텍스트 매니저를 이용한 플롯 스타일의 일시적 설정 변경
– 객체지향 인터페이스 Figure와 Axes 객체의 사용
– Matlab 스타일 pyplot 인터페이스의 사용
 

13 . 파이썬 머신러닝 강의 03-3 – 파이썬 Matplotlib의 스캐터 플롯 만들기
파이썬 Matplotlib 라이브러리를 활용한 스캐터 플롯을 그리는 방법을 설명합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395603551
주요내용
– plt.plot()을 이용한 스캐터 플롯
– plt.scatter()를 이용한 스캐터 플롯
 

14 . 파이썬 머신러닝 강의 03-4 – 파이썬 Matplotlib의 히스토그램 만들기
파이썬 Matplotlib 라이브러리를 활용한 히스토그램을 그리는 방법을 설명합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395578518
주요내용
– 데이터의 분포 형상을 식별하는 히스토그램
– 상대도수 히스토그램과 확률밀도 함수
 

15 . 파이썬 머신러닝 강의 03-5 – 파이썬 Matplotlib의 박스 플롯 만들기
파이썬 Matplotlib 라이브러리를 활용한 박스 플롯을 그리는 방법을 설명합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395553918
주요내용
– 박스 플롯과 사분위수
– 박스 플롯과 IQR
 

16 . 파이썬 머신러닝 강의 03-6 – 파이썬 Matplotlib의 이미지 플롯 만들기
파이썬 Matplotlib 라이브러리를 활용한 이미지 플롯을 그리는 방법을 설명합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395524370
주요내용
– plt.imshow() 를 이용한 이미지 플롯
 

17 . 파이썬 머신러닝 강의 03-7 – 파이썬 Matplotlib 데이터 시각화 주요 정리
파이썬 Matplotlib을 활용한 데이터 시각화의 주요내용 정리 영상입니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395484060
 

18 . 파이썬 머신러닝 강의 04-1 – 머신러닝을 위한 통계학 소개
머신러닝 이해를 위한 통계학의 개념을 소개합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395443167
주요내용
– 기술 통계학
– 추론 통계학
 

19 . 파이썬 머신러닝 강의 04-2 – 머신러닝을 위한 통계학 핵심개념 – 기술통계
머신러닝 이해를 위한 기술통계 핵심 개념을 설명합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395380016
주요내용
– 모집단과 표본
– 모수와 통계량
– 평균, 중간값, 최빈값
– 분산, 표준편차, 범위, 사분위수
 

20 . 파이썬 머신러닝 강의 04-3 – 머신러닝을 위한 통계학 핵심개념 – 통계적 추론
머신러닝 이해를 위한 통계적 추론의 핵심 개념을 설명합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395348554
주요내용
– 가설 검정과 p-value
– 정규분포
– 카이제곱 독립성 검정
– ANOVA 분산 분석
 

21 . 파이썬 머신러닝 강의 04-4 – 머신러닝을 위한 통계학 핵심개념 주요 정리
머신러닝을 위한 통계학 핵심개념 주요내용 정리 영상입니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395324352
 

22 . 파이썬 머신러닝 강의 05-1 – Scikit-Learn 기초 및 데이터 표현 방식 이해
파이썬의 머신러닝 라이브러리인 Scikit-Learn을 소개하고 데이터 표현방식을 설명합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395295645
주요내용
– Scikit-Learn 소개
– Scikit-Learn 데이터 표현 방식
– 특징행렬과 대상벡터의 데이터 레이아웃
– Numpy 배열을 이용한 특징 행렬(X), 대상 벡터(y)의 생성
– Pandas DataFrame을 이용한 특징 행렬(X), 대상 벡터(y)의 생성
– Bunch 객체를 이용한 특징 행렬(X), 대상 벡터(y)의 생성
 

23 . 파이썬 머신러닝 강의 05-2 – Scikit-Learn을 활용한 머신러닝 모델 만들기
Scikit-Learn을 활용하여 데이터 준비부터 모델적합, 예측, 평가에 이르는 전 과정을 설명합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395272454
주요내용
– Scikit-Learn Estimator API 기본 활용 절차
– 데이터 준비
– 모델 클래스 선택
– 모델 인스턴스 생성과 하이퍼파라미터 선택
– 특징 행렬과 대상 벡터 준비
– 모델을 데이터에 적합
– 새로운 데이터를 이용해 예측
– 모델 평가
 

24 . 파이썬 머신러닝 강의 05-3 – Scikit-Learn 활용 훈련, 테스트 데이터 분할
훈련 데이터와 테스트 데이터 분할 개념 및 Scikit-Learn의 활용방법을 설명합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395246037
주요내용
– iris 데이터 소개
– 정확도가 정말 1.0 인가?
– 훈련 데이터와 테스트 데이터의 분리
– 테스트 데이터를 이용한 모델의 성능 측정
 

25 . 파이썬 머신러닝 강의 05-4 – Scikit-Learn의 하이퍼파라미터 선택
머신러닝 학습 최적화 및 학습수준 변화 관찰을 위한 하이퍼파라미터(Hyper Parameter) 조정방법을 설명합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395220276
주요내용
– 하이퍼파라미터의 선택
 

26. 파이썬 머신러닝 강의 05-5 – 파이썬 Scikit-Learn 주요내용 정리
파이썬 Scikit-Learn 라이브러리의 주요내용 정리 영상입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395197153

 

27. 파이썬 머신러닝 강의 06-1 – 머신러닝 교차검증 개념 및 기법
머신러닝 모델의 정확한 성능 평가를 위한 교차검증 개념과 기법에 대해 설명합니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395166775

주요내용
– 교차 검증의 기본 절차와 필요성
– 교차 검증 기법

 

28. 파이썬 머신러닝 강의 06-2 – 머신러닝 최적의 모델 개념
머신러닝 최적의 모델에 대한 개념을 설명합니다.

강의자료, 소스코드 다운받기 :

주요내용
– 최적의 모델 선택 방법

 

29. 파이썬 머신러닝 강의 06-3 – 편향-분산 트레이드오프(Trade-off)
머신러닝 모델의 성능평가에 따르는 편향-분산 간 상관관계(Trade-off)를 이해하고 Scikit-Learn으로 테스트하는 방법을 설명합니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583395105344

주요내용
– 고편향 모델과 고분산 모델
– 검증 곡선
– 최적 모델

 

30. 파이썬 머신러닝 강의 06-4 – 머신러닝 학습곡선 특성
머신러닝에서 학습곡선에 영향을 주는 요인을 살펴봅니다.

강의자료, 소스코드 다운받기 :

주요내용
– 학습곡선 : 훈련집합의 크기에 따른 훈련 점수/검증 점수의 플롯

 

31. 파이썬 머신러닝 강의 06-5 – Scikit-Learn활용 그리드 서치 실습
Scikit-Learn을 활용한 그리드 서치(Grid Search) 기반 학습 최적화를 해보는 실습강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 최적의 다항식 모델을 구하기 위한 그리드 서치 모듈
– 최적 모델과 데이터 적합
– 실습1 : Scikit-Learn을 활용한 그리드 서치 구현 및 학습곡선 시각화

 

32. 파이썬 머신러닝 강의 06-6 – 특징 공학 및 데이터 변환 실습
머신러닝 모델 학습을 위한 데이터 변환 방법론인 특징 공학에 대해 알아보고, Scikit-Learn으로 실습합니다.

강의자료, 소스코드 다운받기 :

주요내용
– 범주 특징
– 텍스트 특징
– 유도 특징
– 누락 데이터 대체
– 특징 파이프라인
– 실습2 : 텍스트 데이터 변환 및 학습 적용

 

33. 파이썬 머신러닝 강의 06-7 – 교차검증, 그리드 서치, 특징 공학 주요내용 정리
협업 필터링 추천 시스템 강의 주요내용 정리 영상입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583394941714

 

34. 파이썬 머신러닝 강의 07-1 – 와인 품질 데이터 탐색
와인 품질 예측 모델 만들기 전 데이터에 대한 탐색적 분석을 진행하는 강의입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583394911307

주요내용
– 와인품질 데이터 데이터프레임의 구성
– 요약통계량

 

35. 파이썬 머신러닝 강의 07-2 – 와인 품질 데이터의 기술통계 및 통계적 검정
와인 품질 예측 모델 만들기 전 데이터에 대한 기술통계 및 통계적 검정을 진행하는 강의입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583394878451

주요내용
– 와인 종류별 품질의 기술통계량
– 와인 종류별 품질의 사분위수
– 와인 종류별 품질의 분포
– 와인 종류별 품질 차이의 통계적 유의성 검정

 

36. 파이썬 머신러닝 강의 07-3 – 와인 품질 데이터 상관 분석
와인 품질 예측 모델 만들기 전 변수 사이의 상관관계를 분석하는 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 변수들 사이의 상관계수 계산

 

37. 파이썬 머신러닝 강의 07-4 – 와인 품질 데이터 탐색적 분석 실습
와인 품질 데이터에 대한 탐색적 분석 실습 강의입니다.

강의자료, 소스코드 다운받기 : https://www.youtube.com/watch?v=g3ErwN8AKkw&list=PLwvr-xPygMX9TaQFW3C1UGEuD0zJF7pCk&index=37

주요내용
– 산점도 행렬
– 실습 1 : 와인 품질 데이터 불러오기
– 실습 1 : 기술통계
– 실습 1 : 와인종류에 대한 t-검정
– 실습 1 : 와인종류별 상관분석

 

38. 파이썬 머신러닝 강의 07-5 – 단순 선형 회귀(OLS) 개념
단순 선형 회귀(OLS)의 개념 및 수학적 정의를 설명하는 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 단순 선형 회귀의 개요
– 최소 제곱법
– 비용함수를 사용한 모델의 적합화 척도:RSS
– 단순 선형 회귀를 위한 OLS의 계산
– 단순 선형 회귀 모델의 평가

 

39. 파이썬 머신러닝 강의 07-6 – 다중 선형 회귀 개념
다중 선형 회귀의 개념 및 수학적 정의에 대해 설명하는 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 다중 선형 회귀의 개요
– 다중 선형 회귀의 벡터 정리

 

40. 파이썬 머신러닝 강의 07-7 – 다항 선형 회귀 개념
다항 선형 회귀 개념 및 수학적 정의를 설명하는 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 다항 회귀의 개요

 

41. 파이썬 머신러닝 강의 07-8 – 선형 회귀 주요내용 정리
선형 회귀(단순선형회귀, 다중선형회귀, 다항선형회귀) 주요내용 정리 영상입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583394688813

 

42. 파이썬 머신러닝 강의 08-1 – 와인 품질 예측 모델의 학습 데이터 구성
선형회귀 모델 기반 와인 품질 예측 모델 구현을 위한 와인 품질 데이터 구성을 설명합니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583394647729

주요내용
– 와인 품질 데이터의 구성
– 와인 품질 데이터 프레임 준비

 

43. 파이썬 머신러닝 강의 08-2 – 선형회귀 모델 기반 와인 품질 예측 모델 학습
선형회귀 모델 기반 와인 품질 예측 모델 학습을 위한 데이터 준비 및 학습 방법 강의입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583394616470

주요내용
– 모델 클래스와 모델 파라미터의 선택
– 특징행렬과 대상 벡터의 추출
– 훈련 데이터와 테스트 데이터의 분리
– 모델의 데이터 적합
– 모델을 새로운 데이터에 적용

 

44. 파이썬 머신러닝 강의 08-3 – 선형회귀 모델 성능 측정 및 와인 품질 예측 모델 만들기 실습
선형회귀 모델 성능 측정 및 와인 품질 예측 모델 구현 실습 강의입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583394564427

주요내용
– 선형회귀 모델의 성능 측정
– 와인 품질 예측 모델 만들기 실습

 

45. 파이썬 머신러닝 강의 08-4 – 규제 선형회귀 모델 개념 및 학습
규제가 있는 선형회귀 모델의 개념 및 학습 방법에 대한 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 규제가 없는 선형 회귀 모델의 적합
– 규제가 있는 선형 회귀 모델의 적합
– 규제가 있는 선형 회귀 모델의 필요성

 

46. 파이썬 머신러닝 강의 08-5 – 리지(Ridge)회귀 모델 개념 및 와인 품질 예측 모델 만들기 실습
리지(Ridge)회귀 모델 개념 및 와인 품질 예측 모델 구현 실습 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 리지 회귀 모델 개요
– 선형 회귀 모델과 계수의 특징
– 실습 1 : 와인 품질 예측 모델 만들기

 

47. 파이썬 머신러닝 강의 08-6 – 라쏘(Lasso)회귀 모델 기반 와인 품질 예측 모델 만들기 실습
라쏘회귀 모델의 개념 및 라쏘회귀 모델 기반 와인 품질 예측 모델 만들기 실습 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 라쏘 회귀 모델 개요
– 라쏘 회귀 모델의 계수의 특징
– 실습2 : 와인 품질 예측 모델 만들기

 

48. 파이썬 머신러닝 강의 08-7 – 규제가 있는 선형 회귀 모델 주요 정리
규제가 있는 선형 회귀 모델의 주요내용 정리 영상입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583394439968

 

49. 파이썬 머신러닝 강의 09-1 – 의사결정트리 개요
의사결정트리 개요를 설명하는 영상입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583394031209

주요내용
– 의사결정 트리의 개요

 

50. 파이썬 머신러닝 강의 09-2 – 의사결정트리 생성 개념
의사결정트리의 특징을 설명합니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583393122489

주요내용
– 의사결정 트리의 생성

 

53. 파이썬 머신러닝 강의 09-5 – 의사결정트리 기반 광고 클릭 예측 모델 학습 데이터 준비
나이브 베이즈 기반 스팸메일 필터 모델의 성능 측정 방법 강의입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583393010065

주요내용
– 온라인 광고 클릭 예측 데이터 개요
– 데이터 필드 구성
– 데이터 준비
– 원 핫 인코딩 벡터 변환

 

54. 파이썬 머신러닝 강의 09-6 – 의사결정트리 기반 광고 클릭 예측 모델의 학습
의사결정트리 기반 광고 클릭 예측 모델의 학습 방법 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 그리드 서치를 이용한 의사결정 트리 모델 학습
– 의사결정 트리 모데르이 파일 출력

 

55. 파이썬 머신러닝 강의 09-7 – 의사결정트리 기반 광고 클릭 예측 모델의 성능 측정
의사결정트리 기반 광고 클릭 예측 모델의 학습 방법 강의입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583392925252

주요내용
– 그리드 서치를 이용한 의사결정 트리 모델 학습
– 의사결정 트리 모데르이 파일 출력

 

56. 파이썬 머신러닝 강의 09-8 – 앙상블 기법 활용 광고 클릭 예측 모델 개선
앙상블 기법을 활용한 광고 클릭 예측 모델 개선 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 앙상블 학습과 배깅
– 앙상블 학습과 랜덤 프레스트
– 랜덤 포레스트의 특징 중요도
– 랜덤 포레스트의 성능 개선을 위한 주요 파라미터
– 랜덤포레스트 모델의 성능 측정 : 정확도, 혼동행렬, ROC의 AUC

 

57. 파이썬 머신러닝 강의 09-9 – 의사결정트리 주요내용 정리
분류모델 성능 평가지표 및 의사결정트리 주요내용 정리 영상입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583392863387

 

58. 파이썬 머신러닝 강의 10-1 – 로지스틱 회귀 개념
로지스틱 회귀의 개념을 설명합니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583392828821

 

59. 파이썬 머신러닝 강의 10-2 – 로지스틱 회귀의 특징
로지스틱 회귀 모델과 시그모이드 함수의 특징을 설명합니다.

강의자료, 소스코드 다운받기 :

주요내용
– 로지스틱 회귀와 분류
– 시그모이드 함수 특징

 

60. 파이썬 머신러닝 강의 10-3 – 광고 클릭 예측 모델 데이터 준비
로지스틱 회귀 기반 온라인 광고 클릭 예측 모델 학습을 위한 데이터 준비 방법 강의입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583392764053

주요내용
– 온라인 광고 클릭 예측을 위한 데이터 준비
– 원 핫 인코딩(One Hot Encoding) 벡터 변환

 

61. 파이썬 머신러닝 강의 10-4 – 로지스틱 회귀 기반 광고 클릭 예측 모델 학습
로지스틱 회귀 모델을 활용한 온라인 광고 클릭 예측 모델 학습 방법 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 그리드 서치를 이용한 로지스틱 회귀 모델 학습

 

62. 파이썬 머신러닝 강의 10-5 -로지스틱 회귀 모델 성능 측정 및 온라인 광고 클릭 예측 모델 만들기 실습
로지스틱 회귀 모델 성능 측정 및 온라인 광고 클릭 예측 모델 구현 실습 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 로지스틱 회귀 모델의 성능 측정
– 실습 1 : 온라인 광고 클릭 예측 모델 구현

 

63. 파이썬 머신러닝 강의 10-6 – 로지스틱 회귀 주요내용 정리
로지스틱 회귀 주요내용 정리 영상입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583392129801

 

64. 파이썬 머신러닝 강의 11-1 – K-최근접 이웃(KNN) 알고리즘 개념
K-최근접 이웃(KNN) 분류 알고리즘과 차원의 저주 개념을 설명합니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583392099634

주요내용
– K-최근접 이웃의 개요
– 차원의 저주

 

65. 파이썬 머신러닝 강의 11-2 – 암 진단 분류 모델 데이터 준비
K-최근접 이웃(KNN) 알고리즘을 활용한 유방암 진단 분류 모델 학습을 위한 데이터 준비 방법 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 데이터프레임의 생성
– 누락 값의 대체 및 클래스 레이블을 0과 1로 변환
– 불필요한 변수 제거 및 표준화 적용

 

66. 파이썬 머신러닝 강의 11-3 – K-최근접 이웃(KNN) 기반 암 진단 분류 모델 학습
K-최근접 이웃(KNN) 알고리즘 기반 암 진단 분류 모델 학습 강의입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583392040049

주요내용
– 머신러닝 모델 클래스 KNeighborsClassifier를 이용한 학습

 

67. 파이썬 머신러닝 강의 11-4 – K-최근접 이웃(KNN) 모델 성능 개선 및 암 진단 분류 모델 만들기 실습
K-최근접 이웃(KNN) 모델 성능 개선 및 유방암 진단 분류 모델 만들기 방법 실습 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 유방암 진단 분류를 위한 모델 성능 측정
– 유방암 진단 분류 모델의 성능 개선
– 그리드 서치를 이용한 하이퍼파라미터의 최적 값 선택
– 실습 1 : 암 진단 분류 모델 구현

 

68. 파이썬 머신러닝 강의 11-5 – K-최근접 이웃(KNN) 알고리즘 주요내용 정리
K-최근접 이웃(K-Nearest Neighbor; KNN) 알고리즘 개념 및 실습 강의의 주요내용 정리 영상입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583391983899

 

69. 파이썬 머신러닝 강의 12-1 – 나이브 베이즈 개념 및 스팸메일 필터 데이터 구축
나이브 베이즈 개념 및 스팸메일 필터 구현을 위한 데이터 전처리, 구축 방법 강의입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583391948833

주요내용
– 나이브 베이즈 분류기란?
– 베이즈 정리와 나이브 베이즈 동작 원리의 이해
– Enron 이메일 데이터 개요
– 파일 경로로 메일/스팸 기본 분류하기
– 숫자, 구두점, 사람 이름 제거
– 불용어 제거와 단어의 출현 빈도 특징을 추출

 

70. 파이썬 머신러닝 강의 12-2 – 나이브 베이즈 기반 스팸메일 필터 모델 학습
나이브 베이즈 기반 스팸메일 필터 모델 학습 방법 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 훈련 데이터와 테스트 데이터의 분리 및 변환
– 나이브 베이즈 모델 생성 및 학습

 

71. 파이썬 머신러닝 강의 12-3 – 나이브 베이즈 기반 스팸메일 필터 모델의 성능 측정
나이브 베이즈 기반 스팸메일 필터 모델의 성능 측정 방법 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 나이브 베이즈 모델의 성능 측정

 

72. 파이썬 머신러닝 강의 12-4 – 나이브 베이즈 성능 개선 및 스팸메일 필터 만들기 실습
나이브 베이즈 분류기 성능 개선 방법 및 스팸메일 필터 구현 실습 강의입니다.

강의자료, 소스코드 다운받기 :

주요내용
– 나이브베이즈 분류모델의 성능 개선
– 실습 1 : 스팸메일 필터 만들기

 

73. 파이썬 머신러닝 강의 12-5 – 나이브 베이즈 분류기 주요내용 정리
나이브 베이즈 분류기 강의 주요내용 정리 영상입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583391842770

 

74. 파이썬 머신러닝 강의 13-1 – 추천 엔진의 개념과 종류
추천 엔진의 개념과 여러 유형의 추천 시스템의 특성을 설명합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583391803590
주요내용
– 추천 엔진의 개요
– 추천 엔진의 종류
 

75. 파이썬 머신러닝 강의 13-2 – 추천 엔진 개발을 위한 협업 필터링 개념
추천 엔진에 사용되는 협업 필터링 개념과 추천 엔진 모델 평가방법을 설명합니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583391590570
주요내용
– 협업 필터링 개요
– 추천 엔진 모델의 평가
 

76. 파이썬 머신러닝 강의 13-3 – 협업 필터링을 이용한 영화 추천 엔진 데이터 준비
협업 필터링을 이용한 영화 추천 엔진 구현을 위한 데이터 준비 방법 강의입니다.
강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583391532308
주요내용
– 데이터 준비
– 데이터 프레임 구성
– 데이터 탐색
– 평가 행렬(ratings)의 생성
– 훈련 데이터와 테스트 데이터의 분리
 

77. 파이썬 머신러닝 강의 13-4 – 사용자 기반 협업 필터링을 이용한 영화 추천 엔진 만들기
사용자 기반 협업 필터링 기법의 개념과 영화 추천 엔진 적용 방법 강의입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583386776949

주요내용
– 사용자 간 유사도 행렬 생성
– 평가 예측 및 모델의 성능 측정
– 가장 비슷한 n명을 찾는 비지도 방식의 이웃 검색
– 선택된 n명의 사용자들의 평가 가중치 합을 사용한 예측 및 모델의 성능 측정

 

78. 파이썬 머신러닝 강의 13-5 – 아이템 기반 협업 필터링 활용 영화 추천 엔진 만들기 실습
아이템 기반 협업 필터링 활용 방법 및 협업 필터링 기법으로 영화 추천 엔진을 만들어보는 실습 강의입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583386604673

주요내용
– 영화 간 유사도 행렬 계산
– 평가 예측 및 모델 성능 측정
– 실습 1 : 협업 필터링 기반 영화 추천 엔진 만들기

 

79. 파이썬 머신러닝 강의 13-6 – 협업 필터링 기반 추천 시스템 주요내용 정리
협업 필터링 기반 추천 시스템 강의 주요내용 정리 영상입니다.

강의자료, 소스코드 다운받기 : https://kbig.kr/board/board.brd?boardId=movie_python&bltnNo=11583385578629

Handwritten word generation with GANs!

https://www.profillic.com/paper/arxiv:2003.02567

They are significantly advanced over prior art and demonstrate with qualitative, quantitative and human-based evaluations the realistic aspect of synthetically produced images.

SLAM에 관련된 중요한 논문들을 뿜어내신 교수님들과 연구자들에 대한 리스트를 만들고 표로 정리해봤습니다!

연구자들마다 키워드 정리 + Google Scholar 링크 달아놨습니다!

[https://cv-learn.com/SLAM-75cbbf7e653e470caf31629385eae997](https://cv-learn.com/SLAM-75cbbf7e653e470caf31629385eae997)

안녕하세요, Cognex Deep Learning Lab KR(수아랩) Research Engineer 이호성입니다.

오늘 커뮤니티를 뜨겁게 달궜던 AutoML-Zero 논문은 3월 6일 아카이브에 올라온 논문인데요,

이 논문을 읽고 블로그에 리뷰글로 작성하여 공유드립니다. (Sung Kim 김성훈 교수님 재미있는 논문 소개해주셔서 감사합니다!!)

블로그 글: https://hoya012.github.io/blog/automl-zero-review/

내용이 너무 참신하면서도 신기한 부분이 많아서 오랜만에 논문을 재밌게 읽은 것 같습니다. 최대한 어려운 내용을 제외하고 정리를 하였으니 공부하시는데 도움이 되셨으면 좋겠습니다! 감사합니다!

안녕하세요

PyTorch를 시작한지 얼마 안되는 뉴비입니다.

PyTorch로 대표적인 논문 모델들을 구현하며 처음 겪었던 어려웠던 점은 '레포 구조 파악'이었습니다.

그래서 가볍게나마 저와 같은 뉴비들을 위해 가벼운 자료를 만들어봤습니다. PyTorch로 구현을 할 때, 파일 명과 그 용도를 가볍게 정리해봤습니다.

부족한만큼 틀린 내용은 호되게 댓글로 혼내주시면 감사하겠습니다. 제가 알면 더 좋을 내용들도 알려주시면 감사하겠습니다.

항상 커뮤니티에서 많이 배워갑니다. 감사합니다.

[https://web.facebook.com/AI.Lookbook/posts/492964571384277](https://web.facebook.com/AI.Lookbook/posts/492964571384277)

[Pytorch] 초보가 초보에게 : 어떻게 파일을 나눠야할까?

Kaggle로 ML과 시각화를 하던 저에게 Pytorch는 조금 큰 장벽이었습니다. Jupyter로 모든 파일을 작성하기는 어렵고, 그런데 오픈소스 깃헙 레포에는 파일이 너무 많고...

그래서 한 동안 일반적인 딥러닝 레포 구조 파악도 힘들었던 얼마전의 저를 떠올리며 새벽감성으로 가볍게 자료를 만들었습니다.

Simple하게 슥 읽어볼 수 있는 정도로 만들었습니다. Pytorch 초심자분들 모두 힘냅시다!!

slideshare : https://www.slideshare.net/SubinAn1/pytorch-implementation

---

무급으로 이렇게 심플템플릿+강의자료 만들다니...좀 더 실력을 키워 Pytorch 강의를 가야겠습니다. 아니면 조만간 유튜브 재시작은 어떨까요?? ㅎㅎ

#Pytorch #subinium #AI_Lookbook

Alexandre Devaux coded an experiment that extract people from photo using deep learning and make them appear as holograms: https://twitter.com/AlexandreDevaux/status/1234460583552049152

#webgl #WebXR #TensorFlowJS

Christoper M. Bishop의 저서인 "Pattern Recognition and Machine Learning" 에 등장하는 알고리즘을 Python으로 (주피터 노트북으로) 구현한 저장소가 있군요.

저는 이 책을 보진 않았지만, 많은 분들께 유용할 수 있을것 같아서 공유드립니다. 코드는 매우 clean 한것 같네요 :)

깃헙 저장소: https://github.com/ctgk/PRML

안녕하세요

Bengali.AI 대회에 대해 영상을 3개 더 찍었네요

Multi label 일 때, stratified folding 을 할 수 있는 방법,

효율적으로 학습을 진행할 수 있는 방법,

파이토치로 데이터셋을 어떻게 만드는지에 대해서 다뤘습니당 ㅎ

대회가 2주밖에 안남아서 빨리 베이스라인만드는거 까지 만들어보겠습니다.

Ch.2-2 https://youtu.be/HYZ7vZmFiCg

Ch.2-3 Efficient learning process https://youtu.be/pLRXu1eT8gU

Ch.3 Pytorch dataset https://youtu.be/_rcPfVuRScU

PRML algorithms implemented in Python
Python codes implementing algorithms described in Bishop's book "Pattern Recognition and Machine Learning" : https://github.com/ctgk/PRML
#DeepLearning #MachineLearning #Python

sfm 과 mvs 의 관계 및 차이에 관해 좋은 설명이 있어서 정리해보았습니다.

출처: https://towardsdatascience.com/the-future-of-mapping-is-learned-e13e93c03e22

깃허브에서 1만 스타 받은 한국의 오픈소스들(Byline Network 심재석 기자)

깃허브는 세계에서 가장 유명한 소스코드 공유 사이트입니다. 깃허브의 ‘스타’는 일종의 즐겨찾기 같은 건데, 스타가 많을수록 개발자들이 많이 찾는 오픈소스 프로젝트라는 의미가 되겠죠.

NHN의 발표대로 국내 기업이 공개한 오픈소스 프로젝트 중에 1만 스타를 기록한 것은 이번이 처음입니다. 그러나 ‘기업’이라는 수식어가 붙었을 때만 이 문장이 팩트입니다. 개인의 소스코드 중에는 이미 1만 스타를 넘은 소스코드가 여럿 있기 때문입니다.

* fzf (카카오 최정근)

* vim-plug(카카오 최정근)

* pytorch-tutorial(네이버 최윤제)

* tui.editor(NHN)

* Awesome-CV(프리랜서 개발자 박병진)

* pinpoint (네이버)

* 썸머노트(summernote)(홍영택)

* awesome-deep-vision(SK텔레콤 김지원 상무)

* 출처 : https://byline.network/2020/03/3-63/

👨‍🏫 안녕하세요 데이콘의 경진대회 수상작들 중에 PDF로 만들어진 내용을 슬라이드 쉐어에 모아 봤습니다.

🥳특히 시각화 대회 수상작들을 감상 하시면 좋을 것 같습니다.

🔜[https://www.slideshare.net/daconist](https://www.slideshare.net/daconist?fbclid=IwAR2N1Gg4YImk5OtefERdIhDSzlzxjLhC4bgj5tmKVvophZ56pVKDOX9NgtI)

🥌향후에는 자료 공유로 오픈할 예정입니다.

💥참고로 데이콘 모바일 웹 오픈!! 기다리시던 모바일도 오픈 했습니다.

🔜[http://bit.ly/2HY51pi](https://l.facebook.com/l.php?u=https%3A%2F%2Fbit.ly%2F2HY51pi%3Ffbclid%3DIwAR0ShjSCGEZ6PRh5X_HXoLL-GMiuBoEERkPlcJlclZ38a8hoBns9mK2C_zw&h=AT1PG6TN0Gq1uuCckidadjmpaDuREGEPQxeI9av-yWVO1titYjvy313kHvo1p5oAJdXjRl3WwUZMt0mEgWCwUlUnWD1XVWEaoqq2P86fijmejflZ7XNLKY6S1MJpj4oXmBQ7cd0zSBktqXX7dukhG1h-S2D2s4DiP3Dps6ojq3PpIpR3lmzK49KPj0j3tlEiJaJ6UPT22T92LGhsxcgYEysRRuLu7lhpWfNwmJbPg45Zh21DOYHp_DPhIloqb14ly9QxsT_ubb13SF2evrhtqPnx55ZObZoCjimKLxKBNKUyayqOQW-mpPPrE9EctHprAt9ffSbQAmv0k5Xbdf3cxsQtX9AJLz2pajpeWZa5sKNaPq5NtLd_hBEzkCAY3cGzkBrhxA-gNNKFcgzGs4EbVjD92olTT5SwvytNGgoLia4EBXqd7u1BCp9LXG9QFSOmRHtV-jX1X6G-jokH_X9lgtzeRCZO-C0DdUDjEkScZ3hc4-b_dgcI2UFqh8TVnd3vje9sYUQv8-0iUx_c3ukH4onVS-qNJFdZ5o6R6uj9orNZEf7AX1GpbrtXgVuwUL5ErFSsDKWCb89km-Z8hiIdDA32UXtcn_GiVovK_NMw0hLb4Zq_)

[#dacon](https://www.facebook.com/hashtag/dacon?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#datavisualization](https://www.facebook.com/hashtag/datavisualization?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#DataScience](https://www.facebook.com/hashtag/datascience?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#DataAnalyst](https://www.facebook.com/hashtag/dataanalyst?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#DataEngineer](https://www.facebook.com/hashtag/dataengineer?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#DataScientist](https://www.facebook.com/hashtag/datascientist?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#DataMining](https://www.facebook.com/hashtag/datamining?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#MachineLearning](https://www.facebook.com/hashtag/machinelearning?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#deeplearning](https://www.facebook.com/hashtag/deeplearning?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#AI](https://www.facebook.com/hashtag/ai?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R)
[#데이터사이언스](https://www.facebook.com/hashtag/%EB%8D%B0%EC%9D%B4%ED%84%B0%EC%82%AC%EC%9D%B4%EC%96%B8%EC%8A%A4?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#데이터사이언티스트](https://www.facebook.com/hashtag/%EB%8D%B0%EC%9D%B4%ED%84%B0%EC%82%AC%EC%9D%B4%EC%96%B8%ED%8B%B0%EC%8A%A4%ED%8A%B8?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#데이터분석가](https://www.facebook.com/hashtag/%EB%8D%B0%EC%9D%B4%ED%84%B0%EB%B6%84%EC%84%9D%EA%B0%80?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#데이터](https://www.facebook.com/hashtag/%EB%8D%B0%EC%9D%B4%ED%84%B0?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#머신러닝](https://www.facebook.com/hashtag/%EB%A8%B8%EC%8B%A0%EB%9F%AC%EB%8B%9D?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#딥러닝](https://www.facebook.com/hashtag/%EB%94%A5%EB%9F%AC%EB%8B%9D?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#통계](https://www.facebook.com/hashtag/%ED%86%B5%EA%B3%84?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R) [#수학](https://www.facebook.com/hashtag/%EC%88%98%ED%95%99?source=feed_text&epa=HASHTAG&__xts__[0]=68.ARDc6dVsghnnnd7zXqp7-VCkOZZUUDPtF82ZeHMaUafQHUhU3d8JutJ_Kp3jabTXWImm9NdtUSaaPNbMvdDjFHpL-v9rBq5op8ZDjK9NH5pQWamXqLkZJA-nQaS-LQja5xzqdovlsSM17Ft7aHnQhThDYqregmf_Bz3AQDLe2wK-0c-rxUcq79woONQPsW4XiD2qlM9FSofhUOUlfRZSWIrlJmGBSPZ0i99efsz-sjxiv_i7zLxZHcuV_8z2_YcIO4lqfTr6fK873uOq91XGnZrCBWIpGK8oXG6MUfy_8DszNeNOhe7_3Eq3hdPjKX2uauwU&__tn__=*NK-R-R)

안녕하세요.

작년 이맘 때즈음 강화학습을 처음 공부하면서 정리해 놓았던 노트를 공유합니다.

완벽하진 않지만, 처음 공부하시는 분들께 조금이나마 도움이 되셨으면 하는 바람으로 공유드립니다.

주된 내용은 David Sliver의 reinforcement learning
(http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html)과 팡요랩(https://www.youtube.com/watch?v=wYgyiCEkwC8&list=PLpRS2w0xWHTcTZyyX8LMmtbcMXpd3s4TU)에서 해주신 것에 필요하다고 생각된 부분은 Sutton 교수님의 Reinforcement learning 교재를 바탕으로 정리해보았습니다.(너무나 잘 설명해주셔서 감사합니다 !)

혹시 잘못된 내용이 있으면 말씀부탁드립니다.

https://github.com/LoveRL/Introduction-of-Reinforcement-Learning

CS330 전과정 강의비디오가 유튜브에 업로드되었습니다.

https://www.youtube.com/playlist?list=PLoROMvodv4rMC6zfYmnD7UG3LVvwaITY5

강의홈페이지는 아래와 같다고 유튜브영상 설명에 나와 있네요.

[http://cs330.stanford.edu/](https://www.youtube.com/redirect?q=http%3A%2F%2Fcs330.stanford.edu%2F&redir_token=SuMgss2EQcNktBe9UOk6rPcQZ5p8MTU4Mjc1Njg1MUAxNTgyNjcwNDUx&event=video_description&v=0rZtSwNOTQo)

1. SLAM이란?

https://cv-learn.com/SLAM-f16a75f894ca48d3aa851bca99ec7cce

2. SLAM을 처음 공부하시는 분들을 위해

https://cv-learn.com/SLAM-d938568f7720452e9e21ec217bb08046

3. SLAM 공부 좀 해볼까? (읽기 좋은 자료 + 논문 추천)

https://cv-learn.com/SLAM-01d9076491eb4f47b7a8dd80bd80fdbe

4. Visual SLAM 공부 키워드 리스트

https://cv-learn.com/SLAM-7ab572d0e60441ba85fe195428e7acf8

요즘 쓰고 있는 SLAM 관련 블로그 글을 공유합니다.

SLAM을 처음 공부하시는 분들부터, 이미 공부를 하고 계신 분들까지도 도움이 될 것 같다고 생각합니다 ㅎㅎ

앞으로도 SLAM 관련 글을 꾸준히 적으려고 계획하고 있습니다. 궁금하신 점이나 피드백은 페이스북 댓글 또는 블로그 댓글로 남겨주시면 감사하겠습니다 :)

안녕하세요 SLAM공부 김기섭입니다.

#

지난번에 KITTI dataset 을 열어보면서 SLAM 공부 시작해보면 좋다고 전해드렸었는데요

https://www.facebook.com/groups/slamkr/permalink/1087797968246513/

#

실제로 SLAM 알고리즘을 개발하거나 테스트할때는

동적물체의 존재, 환경의 종류 (고속도로/시골/도시 등) 에 따라 잘 될때도 있고 안될때도 있어서

데이터가 먼저 어떤 특성을 가지고 있는지 잘 살피는 게 중요한데요

그래서 데이터를 먼저 열어서 찬찬이 살펴보는게 중요하다고 개인적으로 생각하고 있습니다.

#

근데 열어서 살펴보자니

KITTI 시퀀스는 모두 22개나 되고 (트레이닝11개 / 테스트11개)

다운받아서 압축푸는것도 한세월이고 우분투에서는 파일 개수가 많으면 탐색이 뭔가 빠릿빠릿 잘 안되는 느낌이 들어서요

#

왼쪽 흑백이미지에 대하여 쭉 비디오로 만들어서 유튜브에 올렸습니다. 편의상 3 frame 씩 스킵했습니다.

22개 시퀀스 모두 재생목록으로 만들어 두었습니다.

http://bit.ly/kitti_odom_videos

KITTI를 다운받지 않더라도 한번 슥 보시면 키티 데이터셋이 이런거구나 쉽게 파악하실 수 있을 것 같습니다

감사합니다~

http://www.aitimes.kr/news/articleView.html?idxno=15325

(주)아이메디신은 의료기기 소프트웨어를 개발·생산하는 기업으로, 최근 뇌파를 분석하여 치매 前 단계인 경도인지장애 가능성을 판별하는 ‘아이싱크브레인’을 지난해 개발했다.
제품은 뇌파를 측정하여 건강한 사람의 뇌파 데이터와 비교·분석함으로써 치매 위험성을 조기 진단할 수 있게 해준다. 진단 결과 치매 위험이 있는 경우에는 병원의 안내에 따라 식이요법, 약물 처방 등을 병행하게 된다.

https://www.edureka.co/blog/deep-learning-projects/

Deep Learning is clearly a field that has seen crazy advancements in the past couple of years. These advancements have been made possible by the amazing projects in this area. The need for Data Scientists and AI Engineers are high in demand and this surge is due to the large amount of data we collect. So, in this article, I’ll discuss some of the top Deep Learning Projects.

• Lung Cancer Detection
• Detectron
• Waveglow
• Image Enlarging
• OpenCog
• Deep Mimic
• Image Outpainting
• IBM Watson

Lung Cancer Detection

Lung cancer has long been one of the most difficult forms of the disease to diagnose. With doctors using their eyes for detection, the nodules are harder to spot and as a result, the cancer is either detected too late or not detected at all. The nodule can have a variety of looks, and it takes doctors years to know all the different looks.

12 Sigma uses deep learning to train an AI algorithm that would help doctors analyze CT scan images more efficiently. They train the models on GPU-powered neural networks that run 50 times faster than those running CPUs. Hospitals using the Model can get results in under 10 min which saves at least 4-5 hours of Doctor’s work.

Detectron

Detectron is Facebook AI Research’s software system that implements state-of-the-art Object Detection algorithms. It is written in Python and powered by the Caffe2 deep learning framework. You can detect every object in a video and that too live.

The goal of Detectron is to provide a high-quality, high-performance codebase for object detection research. It is designed to be flexible in order to support rapid implementation and evaluation of novel research. It contains more than 50 Pre-trained models. It’s an amazing Deep Learning Project.

WaveGlow

Deep Learning is also doing major advancements in audio processing and it’s not just generating music or classification. WaveGlow is a Flow-based Generative Network for Speech Synthesis by NVIDIA.

AI & Deep Learning with TensorFlow

• Instructor-led Sessions
• Real-life Case Studies
• Assignments
• Lifetime Access

Explore Curriculum

WaveGlow combines insights from Glow and WaveNet in order to provide fast, efficient and high-quality audio synthesis, without the need for auto-regression. WaveGlow is implemented using only a single network, trained using only a single cost function: maximizing the likelihood of the training data, which makes the training procedure simple and stable.

Image Enlarging

Google Brain has devised some new software that can create detailed images from tiny, pixelated source images. Google’s software, in short, basically means the “zoom in… now enhance!” TV trope is actually possible. First, take a look at the image on the right.

The left column contains the pixelated 8×8 source images, and the center column shows the images that Google Brain’s software was able to create from those source images. For comparison, the real images are shown in the right column. As you can see, the software seemingly extracts an amazing amount of detail from just 64 source pixels. It’s ana amazing Deep Learning Project.

OpenCog

No challenge today is more important than creating beneficial Artificial General Intelligence (AGI), with broad capabilities at the human level and ultimately beyond. OpenCog is a project that aims to build an open-source artificial intelligence framework.

The human brain consists of a host of subsystems carrying out particular tasks: some more specialized, some more general in nature. The OpenCog design aims to capture the spirit of the brain’s architecture and dynamics without imitating the details. Sophia the great AI Bot is one of the first of it’s kind to possess the traits of AGI.

Deep Mimic

A longstanding goal in character animation is to combine data-driven specification of behavior with a system that can execute a similar behavior in a physical simulation, thus enabling realistic responses to perturbations and environmental variation.

DeepMimic is an example-Guided Deep Reinforcement Learning of Physics-Based Character Skills. The reinforcement learning (RL) methods can be adapted to learn robust control policies capable of imitating a broad range of example motion clips, while also learning complex recoveries, adapting to changes in morphology, and accomplishing user-specified goals.

Image Outpainting

Imagine you have a half image of a scene and you wanted the full scenery, well that’s what image outpainting can do that for you. This project is a Keras implementation of Stanford’s Image Outpainting paper. The model was trained with 3500 scrapped beach data with argumentation totaling up to 10500 images for 25 epochs.

This is an amazing paper with a detailed step by step explanation. A must-try example for all the Deep Learning Enthusiasts. Personally, this is my favorite Deep Learning project.

IBM Watson

Watson is an IBM supercomputer that combines Artificial Intelligence (AI) and sophisticated analytical software for optimal performance as a “question answering” machine. The supercomputer is named for IBM’s founder, Thomas J. Watson. It is the open, multi-cloud platform that lets you automate the AI life cycle.

AI & Deep Learning with TensorFlow

Weekday / Weekend BatchesSee Batch Details

Applications for Watson’s underlying cognitive computing technology are almost endless. Because the device can perform text mining and complex analytics on huge volumes of unstructured data, it can support a search engine or an expert system with capabilities far superior to any previously existing.

The possibility of IBM Watson is endless. It works in major areas like:

• Healthcare
• Analytics
• ChatterBot
• Teaching Assistants

With this, we come to an end of this Deep Learning Projects article. I hope these projects are enough to get you started on Deep Learning Projects, check out the AI and Deep Learning With Tensorflow by Edureka, a trusted online learning company with a network of more than 250,000 satisfied learners spread across the globe. This Certification Training is curated by industry professionals as per the industry requirements & demands. You will master the concepts such as SoftMax function, Autoencoder Neural Networks, Restricted Boltzmann Machine (RBM) and work with libraries like Keras & TFLearn.

Video from 1896 changed to 60fps and 4K!

The paper that was used to bring to 60fps:

https://www.profillic.com/paper/arxiv:1904.00830

Gigapixel AI was used to bring it to 4K

State of the art in image inpainting (see example in the picture!)

https://www.profillic.com/paper/arxiv:2002.02609

They proposed a dense multi-scale fusion network with self-guided regression loss and geometrical alignment constraint