데브 스터디 사이트 콜렉션

앙상블 학습(Ensemble Learning) 앙상블은 조화로움을 뜻함, 앙상블 학습을 통한 분류는 여러 개의 모델을 학습시켜서 각각의 분류기(Classifier)을 생성하고, 각각의 예측 결과를 한번에 결합함으로써 보다 더 정확한 최종 예측을 도출하는 기법을 말함. 앙상블 모델은 정형 데이터의 분류 분야 혹은 회귀 분야에서 예측 성능이 매우 뛰어난 학습 모델을 만드는데 용이함 . 앙상블 종류 1. Voting 2. Bagging - Random Forest 3. Boosting - AdaBoost, Gradient Boost, XGBoost(eXtra Gradient Boost), LightGBM(Light Gradient Boost) 4. Stacking 1. Voting [참조] Voting에는 H..

Deep Meta Learning [ 바로 AI 아카데미 오픈클래스 ] 강의자 : 최승진 교수 정보과학회 인공지능소사이어티 회장 https://www.youtube.com/watch?v=ExQXVeQOWQs

No 기본지식 내용 유투브 1 배치 정규화(Batch Normalization) 강좌 2 LSTM 쉽게 이해하기 강좌 3 Sequence Data를 위한 RNN & LSTM 강좌 Paper Review DCCRN: Deep Complex Convolution Recurrent Network for Phase-Aware Speech Enhancement Author : Yanxin Hu , Yun Liu2, Shubo Lv1, Mengtao Xing, Shimin Zhang, Yihui Fu, Jian Wu, Bihong Zhang, Lei Xie Date : 23 Sep 2020 [ Abstraction ] Speech Enhancement는 명료성 및 품질 측면에서 딥러닝의 성공으로 인해 혜택을 받았다..

1. AI 데이터 셋의 구축 개요 1.1 AI 데이터 셋의 중요성 AI 알고리즘 성능이 아무리 탁월해도 저 품질의 학습데이터를 입력하면 AI 서비스는 무용지물이 될 수 있음 인공지능 서비스 개발을 급히 진행하면서 저 품질의 데이터셋을 AI 서비스에 활용할 경우, 성능 및 상용화에 어려움을 겪어 데이터 수집부터 새로 시작을 해야 하는 경우가 다수 발생함 저 품질의 데이터셋 문제를 좀 더 일찍 발견한다고 하더라도, AI 모델 개발 진행에 혼동이 발생하여 개발 비용이 기하급수적으로 증가하는 상황이 발생할 수 있음 데이터 셋 구축 작업에는 많은 비용과 시간을 들여 작업한 데이터에 예상치 못한 품질 이슈가 발생한다면, 상기와 같은 여러가지 문제가 발생함. 하지만 데이터 가공(Annotation, Labeling)..