Master of computer

1. 문장 입력하면 사람이 쓴 것처럼 자연스럽게 수정해주는 사이트 https://www.gptminus1.com/?ref=aifastcashGPT-Minus1Fool GPT by randomly replacing words with synonyms in your text.www.gptminus1.com2. youtube 링크 넣으면 요약해주는 사이트 https://www.you-tldr.com/?ref=aifastcash you-tldrGet The tldr Of Any YouTube Video.www.you-tldr.com3. 이미지 배경제거 또는 특정 사물 제거, 비디오 배경제거 https://www.cutout.pro/ Cutout.Pro - AI Photo Editing | Visual Conte..

ㅇ 교수 : 서울대학교 이원종 교수 ㅇ 학습목표 - Machine Learning의 한 부류인 비지도학습(Unsupervised Learning)에 대한 기본 개념과 목표 또는 label이 없는 data set에서 통찰력을 찾는 방법을 배우게 됩니다. - 비지도학습을 위한 여러 clustering 및 차원 축소 알고리즘과 데이터에 가장 적합한 알고리즘을 선택하는 방법을 배우게 됩니다. 전통기계학습과 딥러닝에서의 비지도학습 1. 전통기계학습에서의 비지도학습 KMS K-means Clustering : 비슷한 특성을 가진 클러스터로 나눠서 각각 모으는 것 작은 디멘션에 있는 데이터만 가능, 개념이 간단 2. 딥러닝에서의 비지도학습 Feature engineering Representation learning..

Ensemble Learning 앙상블러닝 함께, 동시에, 협력하여 : 이미 사용하고 있거나 개발한 알고리즘의 간단한 확장 Supervised Learning task에서 성능을 올릴 수 있는 방법 알고리즘 종류에 상관없이 서로 다르거나 같은 매커니즘으로 동작하는 다양한 머신러닝 모델을 묶어서 함께 사용하는 방식 Bagging : 학습과정에서 training sample을 랜덤하게 나누어 선택 Bootstrapping(다수의 샘플 데이터세트를 생성해서 학습) + Aggregating (데이터 증강, 데이터 확충(실질적으로 새로운 데이터를 수집하지 않고도 교육 모형에 사용하는 데이터의 다양성을 늘릴 수 있는 전략)) 모델을 병렬적으로 학습할 수 있고, 각 sample set가 다른 모델에 영향을 미치지 않..

Support Vector Machine 가장 큰 margin 값을 가지는 hyper plane을 찾아 설정 = 가장 가까운 positive sample ~ negative sample Optimization 적합한 margin 값을 찾기 위한 최적화 방식 Hard margin SVM : margin 사이에 아무것도 없음( 좁은 마진) Soft margin SVM : Hyperplane에 걸려있는 에러를 용인(넓은 마진) Problem of SVM 데이터가 선형으로 분리되지 않는 경우에는? → Kernel transfrom이용 : 차수를 높여 linearly sepable하게 만드는 과정을 통해 non-linear data도 분류 가능! Artificial Neural Network(ANN) - non-..

Supervised learning -Regression (연속적인 값) -Classification(이산적인 값) : 입력+정답으로 구성 Linear classification(선형분류) 선을 이용하여 데이터를 분류 hyper plane에서 dataset에 있는 positive / negative sample을 linear combination(선형결합)에 의해서 구분 frame work 주어진 입력에 대한 출력을 분류 [2,0] input →h classifier → -1 label 1. 어떤 predictor 이용할지? 2. 모델 parameter를 feating하기위한 loss function 설정 (linear regression은 MSE사용) - zero one loss - hinge loss..

Gradient Descent Algorithm (경사하강법) 기울기(gradient) 값을 기반으로 가중치를 업데이트하는 최적화 기법 알파값 : hyper parameter(사용자가 직접 지정해야하는 값) - 너무 크면 에러값이 발산하고, 너무 작으면 수렴속도가 느리므로 중간정도의 값이 가장 적당. 세타값 : 구하고자하는 값 J값 : 최소화하고자하는 목적함수 - Batch gradient descent (배치 경사하강법) Batch"(일괄 처리를 위해) 함께 묶다; 집단; 묶음" 전체 샘플을 확인해야 겨우 한 값 구함. - Stochastic gradient descent (SGD : 확률적 경사하강법) : 전체 샘플을 1로 바꾸고 진행 노이즈 (Oscillation)많이 발생 ---- Local op..

Supervised learning -Regression (연속적인 값) -Classification Linear model 장점) 간단함, 다양한 환경에서도 안정적, 회귀와 분류문제 해결 Linear regression framework 1. 어떤 predictor 이용할까? 모델의 출력과 정답과의 오차(MSE)를 계산해서 최소화하는 값 찾기 어떻게 찾아? - Optimization (입력 벡터를 매트릭스형태로 표현한 후 score 계산) : Normal equation(방정식)이용해서 해 구하기 : 머신러닝에서 비효율적(시간 오래걸림) - Gradient descent (Iterative algotithm) : 함수의 변화도가 가장 큰 방향으로 이동하는 과정을 반복적으로 거쳐 에러값이 최소인 지점을 ..

Machine Learning의 한 부류인 지도학습(Supervised Learning)에 대한 기본 개념과 regression/classification의 목적 및 차이점에 대해 이해하고, 다양한 모델 및 방법론(linear and nonlinear regression, classification, ensemble methods, kernel methods 등)을 통해 언제 어떤 모델을 사용해야 하는지, 왜 사용하는지, 모델 성능을 향상시키는 방법을 학습한다. 이화여자대학교 강제원교수님 이미지 비디오, 3차원데이터 등 미디어를 구성하는 여러가지 데이터에 대한 인공지능 알고리즘을 연구 사람과 기계의 소통을 매개로 하는 미디어에 대한 연구 Supervised Learning : 인공지능 모델의 정답과 학습..

고장 후 교체비용 > 예지보전 비용 특히 큰 인명피해가 예지되는 시스템에서 예지보전이 중요함 (원전사고, 항공기 사고 등) 보전방식분류 - 예방보전 - 시간기준보전 TBM : 수리주기를 정하고 무조건 수리 (과잉보전, 잔존수명 손실비용이 높음) - 상태기반보전 CBM : 미리 정한 열화 기준에 달하면 수리 - 사후보전 점검하지 않고 장비고장 후 수리 수명이 다할 때까지 사용가능하므로 보전비와 수리비가 저렴함 예지보전 고장발생 시점을 사전에 예측하고 고장 직전에 유지보수실시하여 비용 및 인력 최소화 스마트 공장에서 스마트 품질경영의 가장 주요한 기술 IoT를 통한 지능형 모니터링을 통해 선행적으로 유지보수 실시 상태기반보전 프로세스 1. 신호 전처리 : 잡음 제거 - 퓨리에 변환 : 선형변환 - 웨이블릿 ..

신뢰성 분포 1. 지수분포 지수분포의 고장률은 시간에 따라 독립적으로 나타남 (작동하는 동안은 늘 새것과 같음=지수분포의 무기억성) 고장률이 일정하게 나타나는 분포는 지수분포가 유일함 지수분포의 평균수명은 고장률의 역수 지수분포의 무기억성은 연속형분포에서는 지수분포가 무기억성을 가짐 확률변수 X가 지수분포를 따를 떄 예) 버스도착시간 10분당 1대 도착 5분기다렸는데 버스가 오지 않음- 5분 뒤 버스가 온다고 판단 가능 무기억성으로 인해 다음 버스가 올 때까지 5분을 기다려 버스가 올 확률 = 처음 도착해서 5분동안 기다려서 버스가 올 확률 2. 감마분포 포아송 프로세스에서 사건의 발생시간간격은 지수분포를 따르게 된다. 사용즁인 제품은 확률적으로 새것과 같음 = 작동중인 제품을 교체할 이유가 없게 됨 여..