SlideShare una empresa de Scribd logo
1 de 88
Descargar para leer sin conexión
쫄지말자 딥러닝
김 승 일
Seungil Kim
모두의연구소
모두의연구소
하고싶은 연구주제가 있다면
누구든지 연구실을 만들 수 있고
재밌어 보이는 연구실을 찾았다면
누구나 연구실에 참여할 수 있는
모두 모여 함께 연구하는
세상에 없던
단 하나의 열린 연구소
딥러닝 연구실
드론 연구실 / 안티드론 연구실
범죄통계분석 연구실
Embedded
연구실 /
IoT 연구실
데이터분석 연구실
강화학습 연구실
로보틱스 연구실
가상현실 연구실
인공지능(Artificial Intelligence)
머신러닝(Machine Learning)
딥러닝(Deep Learning)
Convolutional Neural Network
쫄지말자
딥러닝
Recurrent Neural Network
토론 : 인간과 인공지능
인공지능이 두려우신가요?
모두의연구소
인공지능이란 무엇일까요?
모두의연구소
인공지능을
단순화해서 생각해봅시다.
모두의연구소
Dog
모두의연구소
Cat
입력이 주어지면 출력을 내보낸다.
인공지능
입력이 주어지면, 출력을 내보낸다.
우리 이런 걸 어디서 봤죠?
모두의연구소
함수 (Functions)
모두의연구소
System, Filter 라고도 불립니다.
모두의연구소
더 쉽게는
초등학교 때 배운
수수께끼 상자
모두의연구소
3
ⅹ??
6
모두의연구소
x
F:x y
y
인공지능 별 거 아니죠?
무서울 것 없습니다.
근데 왜갑자기 무서워 졌을까요?
모두의연구소
원의 넓이를 구하는
함수는?
모두의연구소
r
𝐴 = 𝜋𝑟2
모두의연구소
수학적으로 표현할 수 없었던
복잡한 인간의 두뇌를
데이터를 기반으로 흉내내다.
인공지능(Artificial Intelligence)
머신러닝(Machine Learning)
딥러닝(Deep Learning)
Convolutional Neural Network
쫄지말자
딥러닝
Recurrent Neural Network
토론 : 인간과 인공지능
인공지능? 머신러닝?
머신러닝은 또 뭘까요?
모두의연구소
쫄지말자딥러닝2 - CNN RNN 포함버전
러닝(Learning) = 학습
 Adaptation/Update
모두의연구소
인공지능이 점점 똑똑해진다.
모두의연구소
X[n]
F[n] F[n-1]
Y[n]
n : data index
Data가 늘어날수록
점점 인공지능 알고리즘이
학습(Learning)한다.
머신러닝의
세가지 타입
모두의연구소
Supervised
Unsupervised Reinforcement
Learning
모두의연구소
3
X ???
6 Dog Cat
Supervised
Learning
- 정답이 주어진다.
- (비교적)문제풀이가 쉽다
모두의연구소
3
X ???
???
Unsupervised
Learning
미지수 2개, 방정식 1개
풀 수 있나요?
모두의연구소
이것은 풀 수 있나요?
xy-x-y+1=0,
x와 y를 구하라.
(x,y는 자연수)
모두의연구소
좋은 조건이 주어지거나
잘 찍는 수 밖에…
- 특정 조건이 있을 때만
정답이 주어질 수 있다.
- 기본적으로 문제풀이가 어렵다.
모두의연구소
Reinforcement
Learning
- (정답이 아닌) reward가 주어진다.
Reward
모두의연구소
x
???
+10 / -10
Reinforcement
Learning
인공지능(Artificial Intelligence)
머신러닝(Machine Learning)
딥러닝(Deep Learning)
Convolutional Neural Network
쫄지말자
딥러닝
Recurrent Neural Network
토론 : 인간과 인공지능
모두의연구소
Artistic Style
모두의연구소
Image Question and Answering
모두의연구소
Image Generation
http://mattya.github.io/chainer-DCGAN/
모두의연구소
Deep Reinforcement Learning : Game
모두의연구소
Reinforcement Learning : UAV Control
모두의연구소
머신러닝
(Machine Learning)
인공신경망
(Neural Network)
딥러닝
(Deep Learning)
딥러닝? 머신러닝?
모두의연구소
딥러닝을 이해하기 위해서는
인공신경망을 알아야 한다.
모두의연구소
이제부터 조금 어려워집니다.
딥러닝이 원래 진입장벽이 있어요.
모두의연구소
뉴런과
인공뉴런
x
1
x
1 b
w
다른 머신러닝
기법들과의 차이점 1:
Nonlinear(복잡한)
activation function
b
w
모두의연구소
다층 레이어
(Multiple Layer)
다른 머신러닝
기법들과의 차이점 2 :
Nonlinear function의
Nonlinear function의
Nonlinear function …
엄청 복잡한 함수
(인공지능)을
만들 수 있다.
Hidden layer가 2개이상인 NN를
Deep Learning이라고 부른다.
모두의연구소
오~ 그러면 레이어가 많을수록
높은 지능의 인공지능을
(복잡한 함수를)
만들 수 있겠는데!!!
레이어 100개 만들 수 있을까요?
모두의연구소
쉽지 않습니다.
(1) Overfitting
(2) Vanishing Gradient
Neural Network이 나온지 오래되었지만,
그동안 이걸 풀지 못해서 암흑기에..
그러나, 이 두가지 문제를 해결하면서
딥러닝의 중흥기가 시작됨.
모두의연구소
차근차근 알아봅시다
(1) Overfitting
모두의연구소
Overfitting 이란?
연습문제는 엄청 잘 푸는데
시험만 보면 망함집넓이를 가지고 집값을 맞추는
인공지능(=함수)
오히려 집값이 떨어짐
모두의연구소
Overfitting은 왜 생길까?
(1) 풀어야 되는 문제는 간단한데, 모델이 너무 복잡…
2차함수면 충분한데 5차함수로 모델링을 했다면?
모두의연구소
Overfitting은 왜 생길까?
(2) 주어진 데이터는 몇 개 없는데, 모델이 너무 복잡…
Big Data
모두의연구소
딥러닝은 모델이 엄청 복잡하다.
수백만개의 파라미터…
Overfitting이 일어나기 쉽다.
어떻게 하면 좋을까???
모두의연구소
Dropout
랜덤하게 뉴런을 끊음으로써,
모델을 단순하게 만든다.
모두의연구소
차근차근 알아봅시다
(2) Vanishing Gradient
모두의연구소
(Deep) Learning을 하기 위해서는
여자저차해서 미분을 이용합니다.
학습되는 양 = 미분값 * 출력값
모두의연구소
- 미분을 하면 0이 나와서,
Learning이 불가함
(1) 그런데 최대값이 1…
출력값이 0.5라고 했을때, 4
개의 레이어만 지나도 1/16
(2) 대부분의 영역에서 미분
값이 0에 가깝다
 Vanishing Gradient
모두의연구소
ReLU의 등장
미분값이 1
출력값은 제한 없음
모두의연구소
Long Short Term Memory
모두의연구소
Deep Learning을
연구해보고 싶습니다!!
모두의연구소
Convolutional Neural Network
Recurrent Neural Network
만 이해할 수 있으면,
시작으로는 충분합니다!
[RNN] http://colah.github.io/posts/2015-08-Understanding-LSTMs/
[CNN] http://cs231n.stanford.edu/
모두의연구소
그런데 처음하시는 분들에게는
진입장벽이 있긴 합니다.
모두의연구소
인공지능(Artificial Intelligence)
머신러닝(Machine Learning)
딥러닝(Deep Learning)
Convolutional Neural Network
쫄지말자
딥러닝
Recurrent Neural Network
토론 : 인간과 인공지능
모두의연구소
CNN에 들어가기에 앞서
가장 기본적인 Neural Network 부터
공부해봅시다.
모두의연구소
인공지능 함수를 가장 간단한 1차함수로 모델링해보자
 (vanilla) neural network
x
1 b
w
다른 머신러닝
기법들과의 차이점 1:
Nonlinear(복잡한)
activation function g( )
𝒘 𝑇
𝒙 + 𝑏 𝑔(𝒘 𝑇 𝒙 + 𝑏)
모두의연구소
x
1 b
w
DataSet이 복잡해진다면…
모두의연구소
Neural Network를
영상처리에 특화시켜보자!
 Convolutional Neural Network
모두의연구소
Convolution (Operator)이란?
2+3
9-7
7x8
10/2
[2 3]*[1 1]
모두의연구소
영상에서의 Convolution
(1)A 영역의 Convolution 값은?
(2)B 영역의 Convolution 값은?
(3)C 영역의 Convolution 값은?
(4)D 영역의 Convolution 값은?
(5)E 영역의 Convolution 값은?
(6)전체 이미지의 Convolution
값은?
(7)이 filter의 역할은?
A
B
C
D
E
모두의연구소
Convolution 연산자의 특징
입력 영상 f는 어떻게 변했을까?
[Ex] f : 입력영상,
g : R/G 통과 필터,
h : R 통과필터
(f*g)*h=f*(g*h)
결합법칙이 성립한다.
모두의연구소
영상 분석의 기초 :
서로 다른 크기의 영상 feature가 필요하다
Corner Detection Example
모두의연구소
서로 다른 크기의
영상 feature를 만드는 두가지 방법!
모두의연구소
1. 필터 사이즈를 점점 크게 만든다.
3x3
5x5
7x7
모두의연구소
2. 영상 사이즈를 점점 작게 만든다.
3x3 6x6
모두의연구소
이 두가지를 모두 넣은 게
Convolutional Neural Network!
모두의연구소
입력 영상
Convolution Convolution Convolution
3x3 3x3 3x3
5x5
7x7
1. 필터 사이즈를 점점 크게 만든다.
모두의연구소
입력 영상
Convolution Convolution Convolution
2. 영상 사이즈를 점점 작게 만든다.
Max
Pooling
Max
Pooling
모두의연구소
Neural Network
Convolutional Neural Network (CNN)
Maxpooling Maxpooling
Feature extraction
인공지능(Artificial Intelligence)
머신러닝(Machine Learning)
딥러닝(Deep Learning)
Convolutional Neural Network
쫄지말자
딥러닝
Recurrent Neural Network
토론 : 인간과 인공지능
모두의연구소
입력 또는 출력에 시간 순서가 있다면?
 Recurrent Neural Network
모두의연구소
(Vanilla)
Neural Network
입력이 들어가면
출력이 하나 나온다.
모두의연구소
입력이 들어가면
출력이 순차적으로 나온다.
모두의연구소
출력에
시간순서가 있다면?
Image Caption Generation
모두의연구소
입력이 순차적으로 들어가면
출력이 나온다.
모두의연구소
Sentiment Classification
모두의연구소
입력이 순차적으로 들어가면
출력이 순차적으로 나온다.
모두의연구소
Machine Translation
모두의연구소
(Vanilla) Neural Network의 구조
H
x
y
모두의연구소
RNN의 구조
H(t)
x
y
z-1
H(t-1)
H(t)=W1x+W2H(t-1)
모두의연구소
RNN의 구조
H(t)
x
y
z-1
H(t)
x(t)
y(t)
H(t-1)
H(t-1)
x(t-1)
y(t-1)
H(t-2)
x(t-2)
y(t-2)
⋯
모두의연구소
RNN 응용 구조는 이렇게 만들어진 것들..
인공지능(Artificial Intelligence)
머신러닝(Machine Learning)
딥러닝(Deep Learning)
Convolutional Neural Network
쫄지말자
딥러닝
Recurrent Neural Network
토론 : 인간과 인공지능
모두의연구소
인공지능은
정말 지능을 가지고 있는 것일까요?
모두의연구소
인공지능이 할 수 없는 것은
어떤 것일까요?
Speech Innovation Consulting Group
김 승 일 연구소장
E-mail : si.kim@modulabs.co.kr
Blog : www.whyDSP.org
FB: www.facebook.com/lab4all
www.facebook.com/groups/modulabs

Más contenido relacionado

La actualidad más candente

빅데이터, 클라우드, IoT, 머신러닝. 왜 이렇게 많은 것들이 나타날까?
빅데이터, 클라우드, IoT, 머신러닝. 왜 이렇게 많은 것들이 나타날까?빅데이터, 클라우드, IoT, 머신러닝. 왜 이렇게 많은 것들이 나타날까?
빅데이터, 클라우드, IoT, 머신러닝. 왜 이렇게 많은 것들이 나타날까?Yongho Ha
 
인공지능, 기계학습 그리고 딥러닝
인공지능, 기계학습 그리고 딥러닝인공지능, 기계학습 그리고 딥러닝
인공지능, 기계학습 그리고 딥러닝Jinwon Lee
 
[226]대용량 텍스트마이닝 기술 하정우
[226]대용량 텍스트마이닝 기술 하정우[226]대용량 텍스트마이닝 기술 하정우
[226]대용량 텍스트마이닝 기술 하정우NAVER D2
 
머신러닝의 자연어 처리기술(I)
머신러닝의 자연어 처리기술(I)머신러닝의 자연어 처리기술(I)
머신러닝의 자연어 처리기술(I)홍배 김
 
화성에서 온 개발자, 금성에서 온 기획자
화성에서 온 개발자, 금성에서 온 기획자화성에서 온 개발자, 금성에서 온 기획자
화성에서 온 개발자, 금성에서 온 기획자Yongho Ha
 
텐서플로우로 배우는 딥러닝
텐서플로우로 배우는 딥러닝텐서플로우로 배우는 딥러닝
텐서플로우로 배우는 딥러닝찬웅 주
 
인공지능개론 (머신러닝 중심)
인공지능개론 (머신러닝 중심)인공지능개론 (머신러닝 중심)
인공지능개론 (머신러닝 중심)SK(주) C&C - 강병호
 
[모두의연구소] 쫄지말자딥러닝
[모두의연구소] 쫄지말자딥러닝[모두의연구소] 쫄지말자딥러닝
[모두의연구소] 쫄지말자딥러닝Modulabs
 
인공지능과 딥러닝에 대한 소개
인공지능과 딥러닝에 대한 소개인공지능과 딥러닝에 대한 소개
인공지능과 딥러닝에 대한 소개Young-Min kang
 
Recurrent Neural Net의 이론과 설명
Recurrent Neural Net의 이론과 설명Recurrent Neural Net의 이론과 설명
Recurrent Neural Net의 이론과 설명홍배 김
 
순환신경망(Recurrent neural networks) 개요
순환신경망(Recurrent neural networks) 개요순환신경망(Recurrent neural networks) 개요
순환신경망(Recurrent neural networks) 개요Byoung-Hee Kim
 
Ai 그까이거
Ai 그까이거Ai 그까이거
Ai 그까이거도형 임
 
지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016
지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016
지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016Taehoon Kim
 
머신러닝(딥러닝 요약)
머신러닝(딥러닝 요약)머신러닝(딥러닝 요약)
머신러닝(딥러닝 요약)Byung-han Lee
 
論文紹介:Dueling network architectures for deep reinforcement learning
論文紹介:Dueling network architectures for deep reinforcement learning論文紹介:Dueling network architectures for deep reinforcement learning
論文紹介:Dueling network architectures for deep reinforcement learningKazuki Adachi
 
딥러닝 기반의 자연어처리 최근 연구 동향
딥러닝 기반의 자연어처리 최근 연구 동향딥러닝 기반의 자연어처리 최근 연구 동향
딥러닝 기반의 자연어처리 최근 연구 동향LGCNSairesearch
 
[기초개념] Recurrent Neural Network (RNN) 소개
[기초개념] Recurrent Neural Network (RNN) 소개[기초개념] Recurrent Neural Network (RNN) 소개
[기초개념] Recurrent Neural Network (RNN) 소개Donghyeon Kim
 
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...Masatoshi Yoshida
 
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化The Whole Brain Architecture Initiative
 
Recurrent Neural Networks, LSTM and GRU
Recurrent Neural Networks, LSTM and GRURecurrent Neural Networks, LSTM and GRU
Recurrent Neural Networks, LSTM and GRUananth
 

La actualidad más candente (20)

빅데이터, 클라우드, IoT, 머신러닝. 왜 이렇게 많은 것들이 나타날까?
빅데이터, 클라우드, IoT, 머신러닝. 왜 이렇게 많은 것들이 나타날까?빅데이터, 클라우드, IoT, 머신러닝. 왜 이렇게 많은 것들이 나타날까?
빅데이터, 클라우드, IoT, 머신러닝. 왜 이렇게 많은 것들이 나타날까?
 
인공지능, 기계학습 그리고 딥러닝
인공지능, 기계학습 그리고 딥러닝인공지능, 기계학습 그리고 딥러닝
인공지능, 기계학습 그리고 딥러닝
 
[226]대용량 텍스트마이닝 기술 하정우
[226]대용량 텍스트마이닝 기술 하정우[226]대용량 텍스트마이닝 기술 하정우
[226]대용량 텍스트마이닝 기술 하정우
 
머신러닝의 자연어 처리기술(I)
머신러닝의 자연어 처리기술(I)머신러닝의 자연어 처리기술(I)
머신러닝의 자연어 처리기술(I)
 
화성에서 온 개발자, 금성에서 온 기획자
화성에서 온 개발자, 금성에서 온 기획자화성에서 온 개발자, 금성에서 온 기획자
화성에서 온 개발자, 금성에서 온 기획자
 
텐서플로우로 배우는 딥러닝
텐서플로우로 배우는 딥러닝텐서플로우로 배우는 딥러닝
텐서플로우로 배우는 딥러닝
 
인공지능개론 (머신러닝 중심)
인공지능개론 (머신러닝 중심)인공지능개론 (머신러닝 중심)
인공지능개론 (머신러닝 중심)
 
[모두의연구소] 쫄지말자딥러닝
[모두의연구소] 쫄지말자딥러닝[모두의연구소] 쫄지말자딥러닝
[모두의연구소] 쫄지말자딥러닝
 
인공지능과 딥러닝에 대한 소개
인공지능과 딥러닝에 대한 소개인공지능과 딥러닝에 대한 소개
인공지능과 딥러닝에 대한 소개
 
Recurrent Neural Net의 이론과 설명
Recurrent Neural Net의 이론과 설명Recurrent Neural Net의 이론과 설명
Recurrent Neural Net의 이론과 설명
 
순환신경망(Recurrent neural networks) 개요
순환신경망(Recurrent neural networks) 개요순환신경망(Recurrent neural networks) 개요
순환신경망(Recurrent neural networks) 개요
 
Ai 그까이거
Ai 그까이거Ai 그까이거
Ai 그까이거
 
지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016
지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016
지적 대화를 위한 깊고 넓은 딥러닝 PyCon APAC 2016
 
머신러닝(딥러닝 요약)
머신러닝(딥러닝 요약)머신러닝(딥러닝 요약)
머신러닝(딥러닝 요약)
 
論文紹介:Dueling network architectures for deep reinforcement learning
論文紹介:Dueling network architectures for deep reinforcement learning論文紹介:Dueling network architectures for deep reinforcement learning
論文紹介:Dueling network architectures for deep reinforcement learning
 
딥러닝 기반의 자연어처리 최근 연구 동향
딥러닝 기반의 자연어처리 최근 연구 동향딥러닝 기반의 자연어처리 최근 연구 동향
딥러닝 기반의 자연어처리 최근 연구 동향
 
[기초개념] Recurrent Neural Network (RNN) 소개
[기초개념] Recurrent Neural Network (RNN) 소개[기초개념] Recurrent Neural Network (RNN) 소개
[기초개념] Recurrent Neural Network (RNN) 소개
 
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
感覚運動随伴性、予測符号化、そして自由エネルギー原理 (Sensory-Motor Contingency, Predictive Coding and ...
 
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
 
Recurrent Neural Networks, LSTM and GRU
Recurrent Neural Networks, LSTM and GRURecurrent Neural Networks, LSTM and GRU
Recurrent Neural Networks, LSTM and GRU
 

Destacado

알파고 (바둑 인공지능)의 작동 원리
알파고 (바둑 인공지능)의 작동 원리알파고 (바둑 인공지능)의 작동 원리
알파고 (바둑 인공지능)의 작동 원리Shane (Seungwhan) Moon
 
기계학습(Machine learning) 입문하기
기계학습(Machine learning) 입문하기기계학습(Machine learning) 입문하기
기계학습(Machine learning) 입문하기Terry Taewoong Um
 
Introduction to Machine Learning and Deep Learning
Introduction to Machine Learning and Deep LearningIntroduction to Machine Learning and Deep Learning
Introduction to Machine Learning and Deep LearningTerry Taewoong Um
 
A Beginner's guide to understanding Autoencoder
A Beginner's guide to understanding AutoencoderA Beginner's guide to understanding Autoencoder
A Beginner's guide to understanding AutoencoderLee Seungeun
 
Lecture 29 Convolutional Neural Networks - Computer Vision Spring2015
Lecture 29 Convolutional Neural Networks -  Computer Vision Spring2015Lecture 29 Convolutional Neural Networks -  Computer Vision Spring2015
Lecture 29 Convolutional Neural Networks - Computer Vision Spring2015Jia-Bin Huang
 
알파고 해부하기 1부
알파고 해부하기 1부알파고 해부하기 1부
알파고 해부하기 1부Donghun Lee
 
[2A4]DeepLearningAtNAVER
[2A4]DeepLearningAtNAVER[2A4]DeepLearningAtNAVER
[2A4]DeepLearningAtNAVERNAVER D2
 
인공 신경망 구현에 관한 간단한 설명
인공 신경망 구현에 관한 간단한 설명인공 신경망 구현에 관한 간단한 설명
인공 신경망 구현에 관한 간단한 설명Woonghee Lee
 
Lie Group Formulation for Robot Mechanics
Lie Group Formulation for Robot MechanicsLie Group Formulation for Robot Mechanics
Lie Group Formulation for Robot MechanicsTerry Taewoong Um
 
Lie Group Formulation for Robot Mechanics
Lie Group Formulation for Robot MechanicsLie Group Formulation for Robot Mechanics
Lie Group Formulation for Robot MechanicsTerry Taewoong Um
 
R 프로그래밍 기본 문법
R 프로그래밍 기본 문법R 프로그래밍 기본 문법
R 프로그래밍 기본 문법Terry Cho
 
머신 러닝 입문 #1-머신러닝 소개와 kNN 소개
머신 러닝 입문 #1-머신러닝 소개와 kNN 소개머신 러닝 입문 #1-머신러닝 소개와 kNN 소개
머신 러닝 입문 #1-머신러닝 소개와 kNN 소개Terry Cho
 
Introduction to Deep Learning with TensorFlow
Introduction to Deep Learning with TensorFlowIntroduction to Deep Learning with TensorFlow
Introduction to Deep Learning with TensorFlowTerry Taewoong Um
 
Deep Learning through Examples
Deep Learning through ExamplesDeep Learning through Examples
Deep Learning through ExamplesSri Ambati
 
Large Scale Deep Learning with TensorFlow
Large Scale Deep Learning with TensorFlow Large Scale Deep Learning with TensorFlow
Large Scale Deep Learning with TensorFlow Jen Aman
 
Deview deep learning-김정희
Deview deep learning-김정희Deview deep learning-김정희
Deview deep learning-김정희NAVER D2
 
Learning with side information through modality hallucination (2016)
Learning with side information through modality hallucination (2016)Learning with side information through modality hallucination (2016)
Learning with side information through modality hallucination (2016)Terry Taewoong Um
 
Understanding Black-box Predictions via Influence Functions (2017)
Understanding Black-box Predictions via Influence Functions (2017)Understanding Black-box Predictions via Influence Functions (2017)
Understanding Black-box Predictions via Influence Functions (2017)Terry Taewoong Um
 
Deformable Convolutional Network (2017)
Deformable Convolutional Network (2017)Deformable Convolutional Network (2017)
Deformable Convolutional Network (2017)Terry Taewoong Um
 
Human Motion Forecasting (Generation) with RNNs
Human Motion Forecasting (Generation) with RNNsHuman Motion Forecasting (Generation) with RNNs
Human Motion Forecasting (Generation) with RNNsTerry Taewoong Um
 

Destacado (20)

알파고 (바둑 인공지능)의 작동 원리
알파고 (바둑 인공지능)의 작동 원리알파고 (바둑 인공지능)의 작동 원리
알파고 (바둑 인공지능)의 작동 원리
 
기계학습(Machine learning) 입문하기
기계학습(Machine learning) 입문하기기계학습(Machine learning) 입문하기
기계학습(Machine learning) 입문하기
 
Introduction to Machine Learning and Deep Learning
Introduction to Machine Learning and Deep LearningIntroduction to Machine Learning and Deep Learning
Introduction to Machine Learning and Deep Learning
 
A Beginner's guide to understanding Autoencoder
A Beginner's guide to understanding AutoencoderA Beginner's guide to understanding Autoencoder
A Beginner's guide to understanding Autoencoder
 
Lecture 29 Convolutional Neural Networks - Computer Vision Spring2015
Lecture 29 Convolutional Neural Networks -  Computer Vision Spring2015Lecture 29 Convolutional Neural Networks -  Computer Vision Spring2015
Lecture 29 Convolutional Neural Networks - Computer Vision Spring2015
 
알파고 해부하기 1부
알파고 해부하기 1부알파고 해부하기 1부
알파고 해부하기 1부
 
[2A4]DeepLearningAtNAVER
[2A4]DeepLearningAtNAVER[2A4]DeepLearningAtNAVER
[2A4]DeepLearningAtNAVER
 
인공 신경망 구현에 관한 간단한 설명
인공 신경망 구현에 관한 간단한 설명인공 신경망 구현에 관한 간단한 설명
인공 신경망 구현에 관한 간단한 설명
 
Lie Group Formulation for Robot Mechanics
Lie Group Formulation for Robot MechanicsLie Group Formulation for Robot Mechanics
Lie Group Formulation for Robot Mechanics
 
Lie Group Formulation for Robot Mechanics
Lie Group Formulation for Robot MechanicsLie Group Formulation for Robot Mechanics
Lie Group Formulation for Robot Mechanics
 
R 프로그래밍 기본 문법
R 프로그래밍 기본 문법R 프로그래밍 기본 문법
R 프로그래밍 기본 문법
 
머신 러닝 입문 #1-머신러닝 소개와 kNN 소개
머신 러닝 입문 #1-머신러닝 소개와 kNN 소개머신 러닝 입문 #1-머신러닝 소개와 kNN 소개
머신 러닝 입문 #1-머신러닝 소개와 kNN 소개
 
Introduction to Deep Learning with TensorFlow
Introduction to Deep Learning with TensorFlowIntroduction to Deep Learning with TensorFlow
Introduction to Deep Learning with TensorFlow
 
Deep Learning through Examples
Deep Learning through ExamplesDeep Learning through Examples
Deep Learning through Examples
 
Large Scale Deep Learning with TensorFlow
Large Scale Deep Learning with TensorFlow Large Scale Deep Learning with TensorFlow
Large Scale Deep Learning with TensorFlow
 
Deview deep learning-김정희
Deview deep learning-김정희Deview deep learning-김정희
Deview deep learning-김정희
 
Learning with side information through modality hallucination (2016)
Learning with side information through modality hallucination (2016)Learning with side information through modality hallucination (2016)
Learning with side information through modality hallucination (2016)
 
Understanding Black-box Predictions via Influence Functions (2017)
Understanding Black-box Predictions via Influence Functions (2017)Understanding Black-box Predictions via Influence Functions (2017)
Understanding Black-box Predictions via Influence Functions (2017)
 
Deformable Convolutional Network (2017)
Deformable Convolutional Network (2017)Deformable Convolutional Network (2017)
Deformable Convolutional Network (2017)
 
Human Motion Forecasting (Generation) with RNNs
Human Motion Forecasting (Generation) with RNNsHuman Motion Forecasting (Generation) with RNNs
Human Motion Forecasting (Generation) with RNNs
 

Similar a 쫄지말자딥러닝2 - CNN RNN 포함버전

EveryBody Tensorflow module2 GIST Jan 2018 Korean
EveryBody Tensorflow module2 GIST Jan 2018 KoreanEveryBody Tensorflow module2 GIST Jan 2018 Korean
EveryBody Tensorflow module2 GIST Jan 2018 KoreanJaewook. Kang
 
[Tf2017] day4 jwkang_pub
[Tf2017] day4 jwkang_pub[Tf2017] day4 jwkang_pub
[Tf2017] day4 jwkang_pubJaewook. Kang
 
Convolutional neural network
Convolutional neural networkConvolutional neural network
Convolutional neural networkrlawjdgns
 
[야생의 땅: 듀랑고]의 식물 생태계를 담당하는 21세기 정원사의 OpenCL 경험담
[야생의 땅: 듀랑고]의 식물 생태계를 담당하는 21세기 정원사의 OpenCL 경험담[야생의 땅: 듀랑고]의 식물 생태계를 담당하는 21세기 정원사의 OpenCL 경험담
[야생의 땅: 듀랑고]의 식물 생태계를 담당하는 21세기 정원사의 OpenCL 경험담Sumin Byeon
 
PYCON KR 2017 - 구름이 하늘의 일이라면 (윤상웅)
PYCON KR 2017 - 구름이 하늘의 일이라면 (윤상웅)PYCON KR 2017 - 구름이 하늘의 일이라면 (윤상웅)
PYCON KR 2017 - 구름이 하늘의 일이라면 (윤상웅)Haezoom Inc.
 
03.12 cnn backpropagation
03.12 cnn backpropagation03.12 cnn backpropagation
03.12 cnn backpropagationDea-hwan Ki
 
클로져 소개 강의 (한국정보통신산업노동조합)
클로져 소개 강의 (한국정보통신산업노동조합)클로져 소개 강의 (한국정보통신산업노동조합)
클로져 소개 강의 (한국정보통신산업노동조합)Sang-Kyu Park
 
딥뉴럴넷 클러스터링 실패기
딥뉴럴넷 클러스터링 실패기딥뉴럴넷 클러스터링 실패기
딥뉴럴넷 클러스터링 실패기Myeongju Kim
 
Deep neural networks cnn rnn_ae_some practical techniques
Deep neural networks cnn rnn_ae_some practical techniquesDeep neural networks cnn rnn_ae_some practical techniques
Deep neural networks cnn rnn_ae_some practical techniquesKang Pilsung
 
Coding park
Coding parkCoding park
Coding parkHanna Ji
 
C# / .NET Framework로 미래 밥그릇을 챙겨보자 (Basic)
C# / .NET Framework로 미래 밥그릇을 챙겨보자 (Basic)C# / .NET Framework로 미래 밥그릇을 챙겨보자 (Basic)
C# / .NET Framework로 미래 밥그릇을 챙겨보자 (Basic)Dong Chan Shin
 
딥러닝에 다가가기 (Ai 스쿨 2017)
딥러닝에 다가가기 (Ai 스쿨 2017)딥러닝에 다가가기 (Ai 스쿨 2017)
딥러닝에 다가가기 (Ai 스쿨 2017)SeongWan Kim
 
Ndc2014 시즌 2 : 멀티쓰레드 프로그래밍이 왜 이리 힘드나요? (Lock-free에서 Transactional Memory까지)
Ndc2014 시즌 2 : 멀티쓰레드 프로그래밍이  왜 이리 힘드나요?  (Lock-free에서 Transactional Memory까지)Ndc2014 시즌 2 : 멀티쓰레드 프로그래밍이  왜 이리 힘드나요?  (Lock-free에서 Transactional Memory까지)
Ndc2014 시즌 2 : 멀티쓰레드 프로그래밍이 왜 이리 힘드나요? (Lock-free에서 Transactional Memory까지)내훈 정
 
180525 mobile visionnet_hanlim_extended
180525 mobile visionnet_hanlim_extended180525 mobile visionnet_hanlim_extended
180525 mobile visionnet_hanlim_extendedJaewook. Kang
 
NDC 2014 Beyond Code: <야생의 땅:듀랑고>의 좌충우돌 개발 과정 - 프로그래머가 챙겨주는 또 다른 개발자 사용 설명서
NDC 2014 Beyond Code: <야생의 땅:듀랑고>의 좌충우돌 개발 과정 - 프로그래머가 챙겨주는 또 다른 개발자 사용 설명서NDC 2014 Beyond Code: <야생의 땅:듀랑고>의 좌충우돌 개발 과정 - 프로그래머가 챙겨주는 또 다른 개발자 사용 설명서
NDC 2014 Beyond Code: <야생의 땅:듀랑고>의 좌충우돌 개발 과정 - 프로그래머가 챙겨주는 또 다른 개발자 사용 설명서영준 박
 
TML studio & Beep 알고리즘 스터디, 오리엔테이션
TML studio & Beep 알고리즘 스터디, 오리엔테이션TML studio & Beep 알고리즘 스터디, 오리엔테이션
TML studio & Beep 알고리즘 스터디, 오리엔테이션재원 최
 
딥러닝을 11번가 영상 검색에 활용한 경험 공유
딥러닝을 11번가 영상 검색에 활용한 경험 공유딥러닝을 11번가 영상 검색에 활용한 경험 공유
딥러닝을 11번가 영상 검색에 활용한 경험 공유혁준 전
 

Similar a 쫄지말자딥러닝2 - CNN RNN 포함버전 (20)

EveryBody Tensorflow module2 GIST Jan 2018 Korean
EveryBody Tensorflow module2 GIST Jan 2018 KoreanEveryBody Tensorflow module2 GIST Jan 2018 Korean
EveryBody Tensorflow module2 GIST Jan 2018 Korean
 
[Tf2017] day4 jwkang_pub
[Tf2017] day4 jwkang_pub[Tf2017] day4 jwkang_pub
[Tf2017] day4 jwkang_pub
 
Convolutional neural network
Convolutional neural networkConvolutional neural network
Convolutional neural network
 
[야생의 땅: 듀랑고]의 식물 생태계를 담당하는 21세기 정원사의 OpenCL 경험담
[야생의 땅: 듀랑고]의 식물 생태계를 담당하는 21세기 정원사의 OpenCL 경험담[야생의 땅: 듀랑고]의 식물 생태계를 담당하는 21세기 정원사의 OpenCL 경험담
[야생의 땅: 듀랑고]의 식물 생태계를 담당하는 21세기 정원사의 OpenCL 경험담
 
PYCON KR 2017 - 구름이 하늘의 일이라면 (윤상웅)
PYCON KR 2017 - 구름이 하늘의 일이라면 (윤상웅)PYCON KR 2017 - 구름이 하늘의 일이라면 (윤상웅)
PYCON KR 2017 - 구름이 하늘의 일이라면 (윤상웅)
 
03.12 cnn backpropagation
03.12 cnn backpropagation03.12 cnn backpropagation
03.12 cnn backpropagation
 
클로져 소개 강의 (한국정보통신산업노동조합)
클로져 소개 강의 (한국정보통신산업노동조합)클로져 소개 강의 (한국정보통신산업노동조합)
클로져 소개 강의 (한국정보통신산업노동조합)
 
딥뉴럴넷 클러스터링 실패기
딥뉴럴넷 클러스터링 실패기딥뉴럴넷 클러스터링 실패기
딥뉴럴넷 클러스터링 실패기
 
Deep neural networks cnn rnn_ae_some practical techniques
Deep neural networks cnn rnn_ae_some practical techniquesDeep neural networks cnn rnn_ae_some practical techniques
Deep neural networks cnn rnn_ae_some practical techniques
 
Deep learning overview
Deep learning overviewDeep learning overview
Deep learning overview
 
[PandoraCube] HELLO UNREAL!
[PandoraCube] HELLO UNREAL![PandoraCube] HELLO UNREAL!
[PandoraCube] HELLO UNREAL!
 
Coding park
Coding parkCoding park
Coding park
 
C# / .NET Framework로 미래 밥그릇을 챙겨보자 (Basic)
C# / .NET Framework로 미래 밥그릇을 챙겨보자 (Basic)C# / .NET Framework로 미래 밥그릇을 챙겨보자 (Basic)
C# / .NET Framework로 미래 밥그릇을 챙겨보자 (Basic)
 
딥러닝에 다가가기 (Ai 스쿨 2017)
딥러닝에 다가가기 (Ai 스쿨 2017)딥러닝에 다가가기 (Ai 스쿨 2017)
딥러닝에 다가가기 (Ai 스쿨 2017)
 
Ndc2014 시즌 2 : 멀티쓰레드 프로그래밍이 왜 이리 힘드나요? (Lock-free에서 Transactional Memory까지)
Ndc2014 시즌 2 : 멀티쓰레드 프로그래밍이  왜 이리 힘드나요?  (Lock-free에서 Transactional Memory까지)Ndc2014 시즌 2 : 멀티쓰레드 프로그래밍이  왜 이리 힘드나요?  (Lock-free에서 Transactional Memory까지)
Ndc2014 시즌 2 : 멀티쓰레드 프로그래밍이 왜 이리 힘드나요? (Lock-free에서 Transactional Memory까지)
 
Cnn 강의
Cnn 강의Cnn 강의
Cnn 강의
 
180525 mobile visionnet_hanlim_extended
180525 mobile visionnet_hanlim_extended180525 mobile visionnet_hanlim_extended
180525 mobile visionnet_hanlim_extended
 
NDC 2014 Beyond Code: <야생의 땅:듀랑고>의 좌충우돌 개발 과정 - 프로그래머가 챙겨주는 또 다른 개발자 사용 설명서
NDC 2014 Beyond Code: <야생의 땅:듀랑고>의 좌충우돌 개발 과정 - 프로그래머가 챙겨주는 또 다른 개발자 사용 설명서NDC 2014 Beyond Code: <야생의 땅:듀랑고>의 좌충우돌 개발 과정 - 프로그래머가 챙겨주는 또 다른 개발자 사용 설명서
NDC 2014 Beyond Code: <야생의 땅:듀랑고>의 좌충우돌 개발 과정 - 프로그래머가 챙겨주는 또 다른 개발자 사용 설명서
 
TML studio & Beep 알고리즘 스터디, 오리엔테이션
TML studio & Beep 알고리즘 스터디, 오리엔테이션TML studio & Beep 알고리즘 스터디, 오리엔테이션
TML studio & Beep 알고리즘 스터디, 오리엔테이션
 
딥러닝을 11번가 영상 검색에 활용한 경험 공유
딥러닝을 11번가 영상 검색에 활용한 경험 공유딥러닝을 11번가 영상 검색에 활용한 경험 공유
딥러닝을 11번가 영상 검색에 활용한 경험 공유
 

Más de Modulabs

Debugging with tensor board
Debugging with tensor boardDebugging with tensor board
Debugging with tensor boardModulabs
 
TensorFlow.js & Applied AI at the Coca-Cola Company
TensorFlow.js & Applied AI at the Coca-Cola CompanyTensorFlow.js & Applied AI at the Coca-Cola Company
TensorFlow.js & Applied AI at the Coca-Cola CompanyModulabs
 
Rear-World Robot Learning
Rear-World Robot LearningRear-World Robot Learning
Rear-World Robot LearningModulabs
 
TF.data & Eager Execution
TF.data & Eager ExecutionTF.data & Eager Execution
TF.data & Eager ExecutionModulabs
 
Machine Learning on Your Hand - Introduction to Tensorflow Lite Preview
Machine Learning on Your Hand - Introduction to Tensorflow Lite PreviewMachine Learning on Your Hand - Introduction to Tensorflow Lite Preview
Machine Learning on Your Hand - Introduction to Tensorflow Lite PreviewModulabs
 
Machine learnig with ModuLABS
Machine learnig with ModuLABSMachine learnig with ModuLABS
Machine learnig with ModuLABSModulabs
 

Más de Modulabs (6)

Debugging with tensor board
Debugging with tensor boardDebugging with tensor board
Debugging with tensor board
 
TensorFlow.js & Applied AI at the Coca-Cola Company
TensorFlow.js & Applied AI at the Coca-Cola CompanyTensorFlow.js & Applied AI at the Coca-Cola Company
TensorFlow.js & Applied AI at the Coca-Cola Company
 
Rear-World Robot Learning
Rear-World Robot LearningRear-World Robot Learning
Rear-World Robot Learning
 
TF.data & Eager Execution
TF.data & Eager ExecutionTF.data & Eager Execution
TF.data & Eager Execution
 
Machine Learning on Your Hand - Introduction to Tensorflow Lite Preview
Machine Learning on Your Hand - Introduction to Tensorflow Lite PreviewMachine Learning on Your Hand - Introduction to Tensorflow Lite Preview
Machine Learning on Your Hand - Introduction to Tensorflow Lite Preview
 
Machine learnig with ModuLABS
Machine learnig with ModuLABSMachine learnig with ModuLABS
Machine learnig with ModuLABS
 

쫄지말자딥러닝2 - CNN RNN 포함버전