Juni_DEV

멀티모달 러닝은 다양한 형태의 데이터(예: 텍스트, 이미지, 음성 등)를 통합하여 컴퓨터가 이를 이해하고, 추론하고, 학습할 수 있도록 돕는 인공지능 기술입니다. 멀티모달 러닝의 목표는 다양한 데이터를 연계하여 통합적으로 처리할 수 있는 지능형 컴퓨터 에이전트를 설계하는 것입니다. 여기에서는 멀티모달 러닝의 핵심 원칙과 대표적인 기술적 과제들을 정리해보겠습니다.멀티모달 러닝의 핵심 원칙멀티모달 러닝의 기본 원칙은 크게 다음 세 가지로 요약할 수 있습니다.모달리티의 이질성: 서로 다른 데이터 유형(텍스트, 이미지, 소리 등)은 고유한 특성과 구조를 가지며, 이를 잘 반영해야만 최적의 결과를 얻을 수 있습니다.모달리티 간의 연결: 각 모달리티 간의 연관성을 파악하고 연결함으로써 서로 보완적인 정보를 통합합니..

F1 Score, Precision, Recall, Accuracy는 분류(classification)에서 모델의 성능을 평가하기 위해 사용되는 지표들입니다. 이들 각각은 모델이 얼마나 잘 작동하는지에 대한 다양한 측면을 측정합니다.Precision (정밀도)정의: 모델이 Positive로 예측한 것들 중 실제로 Positive인 것의 비율을 나타냅니다.수식: Precision = TP / TP + FP - TP: True Positive (실제로 Positive인 것을 Positive로 예측한 경우)- FP: False Positive (실제로는 Negative인 것을 Positive로 잘못 예측한 경우)설명: Precision는 모델이 얼마나 정확하게 Positive 클래스를 예측하는지 측정하며, 잘..

Kaggle Featured 대회인 ISIC 2024 - Skin Cancer Detection with 3D-TBP에 참여하면서, 다양한 피처를 분석하고 각 피처의 의미 있는지 여부를 확인하는 과정을 거쳤습니다. 이 과정에서, 모델 학습 시 어떤 피처들이 예측에 중요한 영향을 미치는지 확인하며 관련 기법들을 공부하게 되었습니다. Forward Selection, Backward Elimination, Stepwise, Genetic Algorithm, 상관관계 분석, Feature Importance 확인, SHAP 등 총 7가지 기법을 적용해 분석을 시도했습니다.1. Forward Selection (전방 선택)Forward Selection은 피처를 하나씩 추가하면서 모델 성능을 개선하는 방식의 피..

오늘부로 Kaggle Playground Series - Season 4, Episode 8 독버섯 예측 대회가 마무리되었습니다. Binary Prediction of Poisonous Mushrooms | Kaggle www.kaggle.com이 대회의 목표는 버섯의 물리적 특성을 바탕으로 해당 버섯이 식용 가능한지 아니면 독성이 있는지를 예측하는 것입니다.이 대회에서 제공된 데이터셋(훈련 및 테스트용)은 UCI Mushroom 데이터셋을 기반으로 훈련된 딥러닝 모델에서 생성되었고, 특징 분포는 원본과 유사하지만 정확히 동일하지는 않습니다. 원본 데이터셋을 사용하여 차이점을 탐구하거나, 원본 데이터를 훈련에 포함시켜 모델 성능을 향상할 수 있는지 확인해 볼 수 있습니다.그리고 아래 세 파일을 제공합니다..

AutoGluon은 Amazon Web Services(AWS)에서 개발한 오픈 소스 자동화 머신러닝(AutoML) 라이브러리입니다. 이번에 Kaggle Playground 대회를 준비하며 처음 접하게 되었는데, 이 라이브러리를 통해 적은 노력으로 강력한 머신러닝 모델을 구축할 수 있었고, 알아서 제공된 데이터에 대해 자동화된 최적 모델을 제공해줘서 정말 유용했습니다. 이번 글에서는 AutoGluon을 사용하는 방법을 알아보겠습니다.1. AutoGluon 설치하기pip install autogluon 2. 데이터 준비하기AutoGluon은 다양한 데이터 형식을 지원하지만, 일반적으로 CSV 파일을 사용해 데이터를 로드합니다.import pandas as pd# 데이터 로드train_data = pd.r..

딥러닝 모델 프로세스 라이브러리 임포트 데이터 가져오기 데이터 분석 데이터 전처리 Train, Test 데이터셋 분할 데이터 정규화 딥러닝 모델 구현 모델 성능평가 1. 라이브러리 임포트 import numpy as np import pandas as pd import matplotlib.pyplot as plt 2. 데이터 가져오기 df = pd.read_csv('data.csv') # data.csv 파일을 읽어와서 df 변수에 저장 3. 데이터 분석 df.info() # index, 컬럼명, Non-Null Count, Dtype df.head() # 앞에서 5개 컬럼 보여줌 df.tail() # 뒤에서 5개 컬럼 보여줌 4. 데이터 전처리 모든 데이터 값은 숫자형이어야 함, Object 타입 ->..

머신러닝 모델 프로세스 라이브러리 임포트 데이터 가져오기 데이터 분석 데이터 전처리 Train, Test 데이터셋 분할 데이터 정규화 모델 구현 단일 분류 예측 모델 : LogisticRegression, KNN, Decision Tree 앙상블 모델 : RandomForest, XGBoost, LGBM 모델 성능 평가 1. 라이브러리 임포트 import numpy as np import pandas as pd import matplotlib.pyplot as plt 2. 데이터 가져오기 df = pd.read_csv('data.csv') # data.csv 파일을 읽어와서 df 변수에 저장 3. 데이터 분석 df.info() # index, 컬럼명, Non-Null Count, Dtype df.head..

df.info() : 데이터프레임 형태, 타입, null 여부를 한 번에 보기 df.index : 데이터프레임의 인덱스 df.columns : 데이터프레임의 컬럼명 df.values : 데이터프레임의 값 df.isnull() : 데이터프레임 모든 컬럼에 대한 null 한 번에 확인 df.isnull().sum() : 컬럼 - 개수로 표시 df.describe() : 데이터프레임에서 숫자형에 대한 통계정보 보기 df['특정컬럼'] : 특정 컬럼의 값만 확인, 검색 (df ['컬럼'] == '') | (df['컬럼'] == ' ') : 해당 컬럼에 공백이 있는지 확인 df['컬럼'].replace(' ', 0, inplace = True) : 컬럼의 공백을 0으로 변경 df['컬럼'] = df['컬럼'].a..