1. 차원 축소 및 잡음 제거, 주성분 분석 (PCA)의 개요 주성분 분석(PCA: Principal Component Analysis) (1) 주성분 분석의 개념 개념도 3차원의 데이터셋을 분산값이 큰 영의 축(Axis)인 PC1을 식별하여PC2 축의 방향을 Projection하여 2차원으로 차원을 축소한 사례 개념 고차원 공간의 표본들을 선형 연관성이 없는 저차원 공간(주성분)의 표본으로 변환하여 분석하는 알고리즘 (2) 주성분 분석의 목적 차원의 축소 고차원의
I. 비지도 학습의 개요 가. 비지도 학습 (Unsupervised Learning, 자율 학습)의 개념 입력데이터에 대한 목표값 없이 데이터가 어떻게 구성되었는지를 알아내는 기계 학습(Machine Learning) 기법 나. 비지도 학습의 특징 비정제 데이터를 입력하여 훈련데이터 없이 데이터의 특징 요약과 군집 (Clustering) 수행 목표값을 정해주지 않아도 되고 사전 학습이 필요없으므로 속도가 빠름 II. 비지도 학습의 기법 및 알고리즘
I. 사물 인식 기술, 패턴인식 문자, 물체 등을 인식하기 위해 표준 패턴과 입력 패턴 비교 기반 사물 식별 및 클래스 구분 기술 II. 패턴인식 시스템 처리 단계 가. 패턴인식 시스템 처리 단계 나. 패턴인식 시스템 처리 단계 별 기술 요소 처리 단계 기술 요소 설명 수집 /전처리 – 표본화, 정규화 – Noise 제거 –
I. 개인화 서비스를 위한 추천시스템의 개요 가. 추천시스템의 정의 개인 맞춤형 서비스 제공 위해 구매패턴 등 과거 데이터를 분석하여 상품을 추천하는 시스템 나. 추천시스템의 필요성 적중률을 높이기 위해 데이터에 대한 메타 정보 관리와 분석 알고리즘이 중요, 추천시스템 분석 알고리즘 중 가장 대표적 알고리즘으로 협업 필터링 II. 협업 필터링의 개념 및 유형 가. 협업 필터링의
I. 2차원 이미지 분석, CNN 가. CNN의 개념 Convolution, Pooling, Fully Connected layer를 통해 특징 추출, 차원 축소하여 이미지를 분류, 인식하는 신경망 알고리즘 나. CNN의 특징 ReLU – Rectified Linear Unit 활성화 함수 – Gradient Vanishing 문제 해결 Dropout – 인공 신경망의 Overfitting 방지 위해 특정 뉴런 미동작 학습 수행 Bigdata – 과적합(Overfitting) 문제 해결