소품집

https://sodayeong.tistory.com/142?category=977648 [Deep Learning] CNN 입출력, 파라미터 계산 다음 조건과 같은 이미지를 학습하는 CNN의 각 레이어별 입력 데이터와 출력 데이터의 Shape을 계산해 보고 네트워크가 학습시키는 파라미터의 개수를 계산해 보겠습니다. 입력 데이터 Shape: (39, 31 sodayeong.tistory.com - 코랩 환경에서 이미지 분류 데이터 셋으로 유명한 MNIST 데이터로 CNN 모델을 실습했다. - 강의 진도 상 오늘은 실습만 하고, 추후 이론 설명을 해주신다고 하셨다. - 지난번에 기록한 딥러닝 CNN 입출력, 파라미터 계산을 공부하고 내일 수업 듣자.

👩🏻‍💻 데이터 소개 MIMIC-II 데이터 베이스란? 2001년~2008년 사이에 중환자실(ICU)에서 수집된 환자 생체 신호 데이터 환자차트데이터(chartevents) 파일에는 환자에 대한 모든 차트형 데이터를 포함 위 데이터에 있는 Primary Key를 기준으로 다른 데이터 베이스에 접근 할 수 있음 생체 신호 데이터에는 Heart Rate, Respiratory Rate, Blood Pressure, Boby Temperature 등의 정보가 포함되어 있음 기존 연구 자료에서도 위 환자 차트 데이터를 중점적으로 사용하며 활력 징후 코드를 추출 했으므로, 분석과 딥러닝 예측에 중요한 데이터로 판단함 👨🏻‍⚕️ 패혈증 분류를 위한 Feature 선정 그림1. 패혈증 진단에 필요한 생체신호 데이터 ..

이번 포스팅은 배치(batch)와 에포크(epoch), 반복(iteration)의 차이를 학습하겠습니다. 딥러닝을 하기 위해 모델을 학습할 때 부여하는 각각의 파라메터에 반복하는 횟수입니다. batch size batch size란 전체 트레이닝 데이터 셋을 여러 작은 그룹으로 나누었을 때 batch size는 하나의 소그룹에 속하는 데이터 수를 의미합니다. 만약 배치 사이즈가 너무 크면 한 번에 처리해야할 양이 그만큼 증가하기 때문에 학습 속도가 느려지고, 메모리 부족 문제를 겪을 수도 있습니다. 반대로 배치 사이즈가 너무 작으면 적은 샘플을 참조해서 가중치 업데이트가 빈번하게 일어나기 때문에, 비교적 불안정하게 훈련될 수도 있습니다. 따라서 배치 사이즈를 적절하게 부여하여 효율적인 학습을 해야합니다...

Perceptron 인공 신경망은 수많은 머신 러닝 방법 중 하나이다. 딥 러닝을 이해하기 위해서는 우선 인공 신경망에 대한 이해가 필요한데, 이번 챕터에서는 초기의 인공 신경망인 퍼셉트론(Perceptron)에 대해서 이해할 필요가 있다. 1. 퍼셉트론 (Perceptron) 퍼셉트론(Perceptron)은 인공 신경망으로 다수의 입력으로부터 하나의 결과를 내보내는 알고리즘입니다. 퍼셉트론은 실제 뇌를 구성하는 신경 세포 뉴런의 동작과 유사합니다. 뉴런은 가지돌기에서 신호를 받아들이고, 이 신호가 일정치 이상의 크기를 가지면 축삭돌기를 통해서 신호를 전달합니다. 이제 다수의 입력을 받는 퍼셉트론의 그림을 보겠습니다. 신경 세포 뉴런의 입력 신호와 출력 신호가 퍼셉트론에서 각각 입력값과 출력값에 해당됩니..