공부 내용

• 컴퓨터비전

• 기계 학습의 기초

  • Mitchell의 정의 :“A computer program is said to learn from experience E with respect to some class of tasks T andperformance measure P, if its performance at tasks in T, as measured by P, improves with experience E. → 어떤 컴퓨터 프로그램이 T라는 작업을 수행한다. 이 프로그램의 성능을 P라는 척도로 평가했을 때 경험 E를 통해 성능이 개선된다면 이 프로그램은 학습을 한다고 말할 수 있다.

• 컴퓨터 비전에 대입하면 • T=분류(인식) • E=학습 집합 • P=인식률

• Types of Learning • Supervised (inductive) learning – Given: training data + desired outputs (labels) • Unsupervised learning – Given: training data (without desired outputs) • Semi-supervised learning – Given: training data + a few desired outputs • Reinforcement learning – Rewards from sequence of actions

• 지도 학습과 비지도 학습 • 지도 학습에서 사용했던 (x,t) 중에 부류 정보 t가 없는 상황의 학습

• 비지도 학습 • 유사한 특징 벡터들을 끼리끼리 모으는 군집화 수행 (K-means, SOM 신경망, 민시프 트 등의 군집화 알고리즘) • 군집에서 유용한 정보 추출 (데이터 마이닝, 빅데이터, 정보 검색 등의 많은 응용)

• 준지도 학습 • 부류 정보가 있는 샘플과 없는 샘플이 섞여 있는 상황의 학습 • 최근 중요성 부각 • 아직 부류 정보를 부여하지 못한 샘플이 시시각각 인터넷에서 발생하기 때문 • 부류 정보가 있는 샘플로 학습한 후 부류 정보가 없는 샘플의 부류 정보를 추정 • 추정된 정보로 반복 학습

• 학습 모델

  • 학습 모델은 매개변수 집합 Θ로 표현됨 (예, 그림 8-3에서 Θ는 분할 경계선을 표현)
  • 모델 선택이 필요하면 추가적으로 검증 집합 사용
  • 학습의 목표는 최적의 Θ 값을 찾는 것
  • Θ 값이 얼마나 좋은지 측정하는 목적 함수 필요

• 학습 알고리즘의 원리

  • 학습 집합을 사용하여 현재 Θ 값을 평가한 후, 개선하는 방향을 알아내 갱신
  • 이런 과정을 수렴할 때까지 반복

소감

컴퓨터비전과 딥러닝의 관계에 대해서 알게 되었고 딥러닝이 얼마나 중요한지 느끼게 되었습니다. 그래서 앞으로 배울 딥러닝과 관련한 내용도 기대가 되고 중간고사 전까지 배운 컴퓨터 비전과 어떻게 연관되는지 더 깊게 알아보고 싶어졌습니다.