All Posts

개념 체크 위주의 정리

개념 체크 위주의 정리

Symbolic Chain-of-Thought Distillation: Small Models Can Also “Think” Step-by-Step

Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer paper review

Specializing Multi-domain NMT via Penalizing Low Mutual Information paper review

Do Language Models Understand Measurements?

Self-Attention with Relative Position Representations paper review

Effective Approaches to Attention-based Neural Machine Translation paper review

RNN 구현 오류

WMT14 Transformer 구현 오류

Effective Approaches to Attention-based Neural Machine Translation paper review

첫번째 한국 DLI 앰배서더 라운드테이블 세션에 참여후기

컴포넌트와 리소스

2022 인공지능아이디어 페스티벌 우수상 후기

Distributed Representations of Words and Phrases and their Compositionality

Bag of Tricks for Efficient Text Classification

Between words and characters:A Brief History of Open-Vocabulary Modeling and Tokenization in NLP

Between words and characters:A Brief History of Open-Vocabulary Modeling and Tokenization in NLP

Imputing Out-of-Vocabulary Embeddings with LOVE Makes Language Models Robust with Little Cost

An Empirical Study of Tokenization Strategies for Various Korean NLP Tasks

Enriching Word Vectors with Subword Information, FastText

IS REINFORCEMENT LEARNING (NOT) FOR NATURAL LANGUAGE PROCESSING?: BENCHMARKS, BASELINES, AND BUILDING BLOCKS FOR NATURAL LANGUAGE POLICY OPTIMIZATION paper review

Are You Ready To Learn Linear Algebra?

프로젝트의 폴더 구성,모듈의 폴더 구성 알아보기(그래들 빌드 설정 파일, 메인 환경 파일, 리소스 폴더, 레이아웃 XML 파일, 메인 액티비티 파일

화면을 구성하는 방법, 액티비티-뷰 구조, 액티비티 코드로 화면 구성하기(액티비티 코드로 작성하는 방법, 레이아웃 XML 파일로 작성하는 방법)

뷰 클래스의 기본 구조(뷰 객체의 계층 구조, 레이아웃 중첩), 레이아웃 XML의 뷰를 코드에서 사용하기 , 뷰의 크기를 지정

뷰 바인딩, 뷰 바인딩 기법 설정, 바인딩 객체 얻기, binding 생략 속성

NVIDIA DLI 강연 후기 in UNIVERSITY OF SEOUL with TAVE

NVIDIA DLI 강연 후기 with TAVE

NVIDIA DLI 강연 후기 in UNIVERSITY OF SEOUL with TAVE

HCLT 논문 게재 후기

UXLA: A Robust Unsupervised Data Augmentation Framework for Zero-Resource Cross-Lingual NLP

NVIDIA NLP 강의 질의 응답자인 TA로 활동한 후기

Generative Adversarial Network

4차 산업혁명 동아리 TAVE 기술블로그 빌드 후기

Are You Ready To Learn Java?

Java 자료구조

자료구조, 알고리즘 기본개념/ 코딩테스트 준비사항, 시작 전 파이썬 기본 문법,코딩 스타일(파이썬 다운 방식/빅오(O, big-O)/ 자료형/ 리스트/ 딕셔너리 )

Are You Ready To Learn?

Are You Ready To Learn Algorithm sort?

Are You Ready To Learn Algorithm?

NAVER boostcamp AI-Tech

NVIDIA DLI Embasser Challenge 후기

한국외국어대학교 AI교육원 “여름방학 코딩테스트 대비 캠프” 중급반 후기/코딩테스트 대비 프로그램 CODETREE 후기

Improving Language Understanding by Generative Pre-Training

코딩테스트 보기 전 꿀팁

Are You Ready To Learn Basic concept of R?

Deep learning starting from the bottom 1

Are You Ready To Learn STATISTICS?

Are you ready to start Machine Learning

Learn App with Kotlin

Deep learning starting from the bottom 2

BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

Deep learning starting from the bottom 2

네트워크의 발전, 네트워크 기초 용어, 시스템 기초 용어

CS224n: Natural Language Processing with Deep Learning

네트워크의 기능, 계층 모델, 인터네트워킹 Internetworking, 프로토콜 Protocol

네트워크 주소의 표현, 주소와 이름, 주소 정보의 관리

계층 구조의 개념, 계층적 모듈 구조, 프로토콜 설계 시 고려 사

TCP / IP 모델,구현 환경(시스템 공간,사용자 공간), ARP와 RARP, ICMP

TCP / IP 모델,구현 환경(시스템 공간,사용자 공간), ARP와 RARP, ICMP

프레임, 문자 프레임,프레임의 구조,문자 스터핑,비트 프레임, 비트 스터핑// 다항 코드, 오류 검출(패리티 비트,블록 검사),체크섬 예시

MAC 계층과 IEEE 802 시리즈, MAC 계층, LLC 계층/IEEE 802 시리즈, CSMA/CD, 토큰 버스, 토큰 링

이더넷 의미,이더넷과 신호 감지 기능(1-persistent CSMA, Non-persistent CSMA,p-persistent CSMA, CSMA/CD)/프레임 구조/LLC 프레임 캡슐화/허브와 스위치

Attention is All You Need

네트워크 계층의 기능, IP 프로토콜, IP 헤더 구조, DS/ECN, 패킷 분할, 주소 관련 필드, 기타 필드, 체크썸 계산하는 법

IPv6 헤더 구조, 확장 헤더의 종류, Flow Label 필드/ IPv6 주소

전송 계층의 기능, 전송 계층의 주요 기능(흐름 제어,오류 제어,분할과 병합,서비스 프리미티브), 전송 계층 설계 시 고려 사항(주소 표현, 멀티플렉싱, 연결 설정과 해제)

TCP/IP 프로토콜의 계층적인 구조, TCP 필요성/ TCP 헤더 구조(TCP 헤더의 필드, 헤더의 플래그 비트,혼잡 제어,캡슐화)/ 포트 번호

UDP 프로토콜,헤더 구조,UDP에서의 데이터그램 분실, 데이터그램 도착 순서 변경

서버-클라이언트 프로그래밍, 연결형 서비스(TCP), 서버와 클라이언트의 동작

웹 서비스 개요, 클라이언트-서버 모델/ URL (Uniform Resource Locator)이란? 일반 사용자가 홈페이지를 만드는 법/ 클라이언트와 서버 사이의 데이터 전송 과정

HTTP 의 요청과 응답, 비상태 연결, MIME 유사 메시지/ HTTP의 메시지 분류, Request Message, Response Message/ HTTP 의 동작 과정

OpenCV INDEX

Are You Ready To Learn Basic concept of Python

Are You Ready To Learn numpy?

Are You Ready To Learn Basic concept of Python

Java 환경세팅, 배울 준비하기

Java 변수 선언, 기초 개념

Java 사용자 입력 받기,

Java 함수(Java if문, with문, for문, while문, do-while문)

Java 1, 2차원

Java 문자열 입력과 기능

Java 사용자 정의함수

Java 자료구조,데이터베이스,객체지향, 생정자, 접근권한설정

Java Linked List 구현

Java inked List를 main클래스에서 사용

Java 큐(queue) 구현

개별 체이닝 Separate Chaining class별 자바 구현/hash node/hash table class(기본 뼈대,키로 값을 찾는 것,해당 값을 검색하는 함수,충돌이 일어났을 때의 처리,insert에서 덮어 써서 값을 업데이트 할 때/hash main(데이터를 집어 넣음,데이터가 있는지 검색하는 법))

파이썬 프롬프트, 첫 창 , 조건문 반복문, 함수, 주석, 저장 ,실행

문제로 풀어보는 파이썬 숫자형 자료들! 정수, 실수, 16진수, 8진수, 더하기, 몫, 숫자형 활용

Python Programming Fundamentals, Data Types 2

문제로 풀어보는 파이썬 문자열 자료형: 이스케이프 코드, 문자열 연산 count,index,upper,lower,replace, 문자열 인덱싱, 문자열 슬라이싱/ 문자열 관련

Variables and Functions

파이썬 버전에 따라 변화해온 문자열 포맷팅의 모든 것

What should we do with the input and output of the program?

View Python Large

Python with math

View Python Large

Start with Pnadas

Pandas Data Frame and Series

Pandas Data Frame and Series

Data mapping

Pandas data type

Time Series Data

딥러닝의 정의, 딥러닝과 머신러닝의 차이, AI의 역사, 딥러닝의 혁명

Are You Ready To Learn Basic concept of R?

개념부터 문제로 이해하는 Definition Of Some Terms,Primary Sources, Secondary Sources, POPULATION, SAMPLE/Structured Data (정형데이터), Unstructured Data (비정형 데이터) 차이/Nonprobability Sample/probability Sample (Simple Random, Systematic, Stratified, Cluster) ,After Collection It Is Often Helpful To Recode,Types of Sample

퍼셉트론,단순한 논리회로(1층퍼셉트론)(NAND 게이트와 OR 게이트,AND 게이트,XOR 게이트),다층 퍼셉트론의 충돌 시

인덴트,네이밍 컨벤션(파이썬의 변수명),mypy,리스트 컴프리헨션(List Comprehension),제너레이터 Generator,enumerate,// 나눗셈 연산자,print,pass,locals

Are You Ready To Learn Basic concept of R?

개념부터 문제로 이해하는 Categorical Data,Summary Table For One Variable (Bar Chart,pie chart,Pareto Chart)/Numerical Data,Ordered Array , Frequency Distributions and Cumulative Distributions(Histogram,polygon), Two Numerical Data (Time-Series Plot,Scatter Plot)

머신러닝의 여러가지 기초 개념과 용어, 지도학습, 비지도 학습의 차이

신경망, 활성화 함수activation function, 계단 함수 step function,비선형 함수, 시그모이드 함수, 비선형 함수, 활성화 함수, 다차원 배열의 계산, 출력층 설계, 항등 함수 identity function,소프트맥스 함수 softmax function(소프트맥스 함수 구현 시 주의점,출력층의 뉴런 수 정하기)

참고 시 좋은 자료,변수명과 주석,리스트 컴프리헨션 주의점,구글 파이썬 스타일 가이드,파이썬다운 방식(Pythonic Way)

Are You Ready To Learn Basic concept of R?

이진분류, 다중분류, 다중레이블 분류, 다중 출력 분류 비교 후 구현하기

central tendency(Mean,Median,Mode), variation(Range, Sample Standard Deviation, Sample Variance,Coefficient of Variation,Z-Score),shape(Skewness, Kurtosis)

데이터 주도 학습,손실 함수(loss function),오차 제곱 합(sum of squares for error, SSE),교차 엔트로피 오차(cross entropy error, CEE), 미니배치

수치 미분,해석적 미분(analytic), 학습 알고리즘 구현하기/ 경사하강법,plateau, 플래토, 딥러닝의 전체 학습과정, 개요/ 오차역전법과 경사하강법의 관계

빅오(O, big-O)의 개념과 빅오(O, big-O)별 해당 알고리즘, 상한과 최악,분할 상환 분석 Amortized Analysis,

라지 마진 분류 large margin classification, 소프트 마진 분류 soft margin classification

Exploring Numerical Data(Quartile Measures)/sample 과 population의 평균, 분산/Two Measures Of The Relationship_ 공분산, 상관계수

오차역전법(backpropagation)을 위한 계산그래프 computational graph,활성화 함수 계층 역전파 구현[ReLU, Sigmoid 계층],Affine/Softmax 구현, 오차역전파법 구현

파이썬 자료형 심화 개념,숫자,bool,mapping, 집합 set, 시퀀스 Sequence 개본 개념부터

경사 하강법 gradient descent method의 개념, 쓰임을 예를 통해서 쉽게 이해하기/ MSE(Mean Squared Error)/ 손실함수 쉽게

다항식 커널, 유사도 특성, 가우시안 RBF 커널

Basic Probability Concepts(Assessing Probability,EVENT,Probability,Exclusive Events,Computing)/Conditional Probabilities/PLUS/Bayes’ Theorem/Counting Rules

딥러닝 학습관련 기술들/옵티마이저 (Optimizers){확률적 경사 하강법 SGD,모멘텀 Momentum,AdaGrad,Adam,RMSProp},어느 갱신 방법을 이용할 것인가

가중치의 초깃값, 설정하면 안되는 초기값, 초기값을 0으로 설정/초기값 문제: 은닉층 활성화층 분포 불균형, 기울기 소실, 표현력 제한/각 활성화 함수 별 추천 초기값

배치 정규화 Batch Normalization,배치 정규화 알고리즘,배치 정규화 과정

오버피팅,가중치 감소(weight decay), 드롭아웃, 앙상블 학습(ensemble learning)

원시 타입 Primitive Type/ 불변 객체, 가변 객체/ 비교 연산자 is와 ==/ 참고 자료구조, 자료형, 추상 자료형 차이

문제와 영어 수학 용어로 이해하는 Discrete Variables 베르누이 분포 Bernoulli distribution, 이항분포, 포아송비Poisson Distributions

MNIST 데이터세트로 이미지 분류 쉽게 이해하기

미국 수화 데이터세트 이미지 분류 정말 직접 구현해보기

파이썬 리스트 심화 개념, 알고리즘에 적용

문제로 익히는 Continuous Probability Distribution, The Normal Distribution, The Standardized Norma, Finding Normal Probabilities

파이썬 딕셔너리 심화개념, 파이썬 try예외처리

예시와 그림, 문제로 쉽게 알아보는 Sampling Distributions, Sampling Distributions of the Mean, Standard Error of the Mean, Central Limit Theorem

합성곱 신경망(convolutional neural network, CNN) 전체 과정 세세하게 설명/ 합성곱 계층,특징 맵 (feature map),합성 곱 연산,합성곱 계층 구현, 풀링(pooling) 계층, 풀링계층 구현, CNN 구현, CNN 시각화하기

collections 모듈 deque 정의, 쓰는 이유, list와의 차이점, 매서드

예시와 그림, 문제로 쉽게 알아보는 Sampling Distributions, Sampling Distributions of the Mean, Standard Error of the Mean, Central Limit Theorem

합성곱 신경망(convolutional neural network, CNN) 전체 과정 실제로 구현해보기, CNN을 위한 이미지 변환 reshaping, 합성곱 모델 생성

- 선형탐색(Linear search), 순차탐색

문제와 예시로 쉽게 배우는 Fundamentals of Hypothesis Testing: One-Sample Tests, The Null Hypothesis, $$H_0$$,The Alternative Hypothesis, $$H_1$$,The Hypothesis Testing Process,Critical Value approach,p-Value approach,Risks in Decision Making Using Hypothesis Testing

데이터 증강 구현 DATA AUGMENTATION, CNN 개선, GENERARTE 도입 이유, 도입 구현

이진탐색(binary search),bisect 모듈, 수도코드, 원리, 과정, 파이썬 이진구현(재귀, 반복, 이진검색 모듈, 이진검색을 사용하지 않는 index풀이), 자바구현/ 이진 알고리즘의

𝜎 Unknown (t test)

데이터 증강 구현 모델 DATA AUGMENTATION 배포,모델에 입력데이트 조정하여 결과값 내기, 배운내용 테스트로 마무리하기

One-Tail Tests 종류,Lower-Tail Tests,Upper-Tail Tests, Example: Upper-Tail t Test for Mean (𝜎 unknown)

사전 트레이닝된 모델 Pre-Trained Models, 1000마리 종류의 동물 분류하는 코드, 개구멍 자동문 만들기, VGG16, 'Very Deep Convolutional Networks for Large-Scale Image Recognition'

전이 학습(Transfer Learning), 파인튜닝(fine tuning),사전 트레이닝된 모델 다운로드 ,기본 모델 동결,새 레이어 추가,모델 컴파일,데이터 증강,모델 트레이닝

자연어처리의 의미 Natural Language Processing (NLP),자연어와 단어의 분산 표현,자연어처리의 의미,시소러스,통계 기반 기법, 통계 기반 기법, 말뭉치 전처리 구현, 단어의 분산 표현, 통계기반 기법 개선, 상호정보량, 차원 감소(dimensionality reduction), 상호정보량 PMI, PPMI, 특잇값분해 Singular Value Decomposition (SVD), PTB 데이터셋 평가

LSA(Latent Semantic Analysis): 특잇값분해 Singular Value Decomposition (SVD), SVD, 절단된 SVD(Truncated SVD),LSA 사용, 결과 해석, LSA의 장점과 단점, LSA 실제 task에 적용

데이터munging (=wrangling),dplyr package,기본 함수들,filter(),%in%,arrange(),select(),helper function,everything(),rename(),mutate()함수,summarize(),group_by,Pipe연산자

추론기반 기법 word2vec, 자연어처리의 의미,준비: 원핫 one-hot 표현,단순한 word2vec 구현,CBOW 모델 사용,CBOW 모델과 확률,skip-gram 모델,skip-gram 모델을 확률로,통계 기반 vs. 추론 기반/ 통계 기반기법,추론 기반기법 비교

확률분포의 개념,공분산,상관계수,조건부확률,독립,베이즈 정리,확률변수(확률질량함수,확률밀도함수,누적분포함수,확률분포의 특성값, 모수,분산과 표준편차,표준화,왜도skewness와 첨도kurtosis,이변량 확률분포,결합확률분포 joint probability distribution

word2vec 속도 개선 방법 2가지 / Embedding이라는 새로운 계층을 도입, 네거티브 샘플링이란 손실 함수 도입, 네거티브 샘플링 구현, Embedding Dot 계층의 구현,(구현) 다중 분류에서 이진 분류로, 시그모이드 함수와 교차 엔트로피 오차, 개선판 word2vec 학습, CBOW 모델 구현

이항분포의 확률질량함수,베르누이분포 Bernoulli distribution,베르누이 시행Bernoulli trial

포아송 분포,이산확률 분포,확률질량함수(기대값, 분산, 유도식),관련예제

확률과 언어 모델, word2vec의 CBOW 모델 복습,CBOW 모델 ➡ 언어 모델의 문제점/ RNN(순환 신경망)이란, BPTT, Truncated BPTT, RNN 구현, Time RNN,시계열 데이터 처리 계층 구현 RNNLM/ 언어 모델의 평가 perplexity/RNNLM의 Trainer 클래스

정규분포 normal distri-bution,확률밀도함수,표준정규분포,예제,이항분포의 포아송 근사,이항분포의 정규 근사

기울기 클리핑 gradients clipping/ 기본적인 RNN의 문제점/기울기 소실 또는 기울기 폭발 ,기울기 소실과 LSTM,output 게이트,forget 게이트,새로운 기억 셀,input 게이트/LSTM의 기울기 흐름, 구현/기울기 클리핑/RNNLM 추가 개선/매개변수 갱신/드롭아웃에 의한 과적합 억제/가중치 공유 weight tying

카이제곱분포 chi-squared distribution, 자유도,F-분포, 카이제곱 분포와 F-분포의 차이점

언어 모델을 사용한 문장 생성,seq2seq, seq2seq의 구조,구현/시계열 데이터 변환용 장난감 문제,가변 길이 시계열 데이터, Encoder 클래스, Decoder 클래스,Seq2seq 클래스/seq2seq 개선,입력 데이터 반전(Reverse),엿보기 Peeky

Hypothesis Tests for Proportions, Proportions, Example: Z Test for Proportion

어텐션의 구조,Encoder 개선,어텐션을 갖춘 seq2seq 구현,어텐션 평가,어텐션에 관한 남은 이야기,양방향 RNN,Attention 계층 사용 방법]

선형자료구조, 해시테이블, 해싱 Hashing,비둘기집 원리(서랍 원리) Pigeonhole Principle, 생일 문제 Birthday Problem,로드 팩터 Load Factor, 충돌 Collision의 처리 방법,개별 체이닝 Separate Chaining, 오픈 어드레싱

카이제곱분포 chi-squared distribution, 자유도,F-분포, 카이제곱 분포와 F-분포의 차이점

문제로 개념 응용까지 해보는 Fundamentals of Hypothesis Testing: Two-Sample Tests,Comparing the mean of Two Independent Populations, Pooled-Variance t-test, Separate-variance t-test ,Independent Sample

비선형자료구조_그래프의 여러가지 종류/ 오일러경로,오일러 순회/ 헤밀턴 경로/ 헤밀턴 순회/ 그래프의 표현

전이 학습(Transfer Learning), 파인튜닝(fine tuning),사전 트레이닝된 모델 다운로드 ,기본 모델 동결,새 레이어 추가,모델 컴파일,데이터 증강,모델 트레이닝

문제로 이해하는 Comparing the mean of Two Related Population: σ(퍼짐의 정도)를 모를 때, σ(퍼짐의 정도)를 알 때

하이퍼 파라미터와 파라미터 비교하기

비선형자료구조_그래프의 응용/다익스트라 알고리즘/ 최단경로 문제/ 외판원 문제 Travelling Salesman Problem(TSP) / 다익스트라 알고리즘 파이썬 구현, 다익스트라 알고리즘 수도코드

Lecture 1 | Introduction to Convolutional Neural Networks for Visual Recognition 요약

Training, validation, test datasets 비교하기, Training datasets, Validation datasets, Test datasets 비율,

비선형자료구조_그래프의 응용/다익스트라 알고리즘/ 최단경로 문제/헤밀턴 경로/ 헤밀턴 순회/NP 복잡도

문제로 이해하는 Fundamentals of Hypothesis Testing: Two-Sample Tests, Comparing the mean of Population proportion의 계산식,정규화 조건

Lecture 1 | Introduction to Convolutional Neural Networks for Visual Recognition 요약

그래프 순회 Graph Traversals/깊이 우선 탐색(Depth First Search : DFS), DFS python 구현, DFS 재귀구현, DFS 스택구현, 수도코드. 스택과 재귀구현의 차이점 순회를 위한 그래프 준비,재귀 구현, 백 // 넓이 우선 탐색(Breadth-First Search : BFS), BFS python 구현, BFS 재귀구현 불가, BFS 큐구현,백트래킹 Backtracking, BFS 장단점

문제로 개념 응용까지 해보는 Fundamentals of Hypothesis Testing: Two-Sample Tests,Comparing the mean of Two Population Variance , F Distribution

트리, 트리의 기본 개념,용어/트리의 성질,방향 트리, 그래프와 트리의 차이점/이진트리,이진트리 유형, 이진트리 최대 노드 수 / 탐방/ 중순위 탐답, 전순위 탐방, 후순위 탐방

문제로 개념 응용까지 해보는 General ANOVA Setting, One-Way Analysis of Variance, Hypotheses of One-Way ANOVA, Partitioning the Variation,Partitioning the Variation , SST, SSA, SSW/ ANOVA F Test Statistic

이진 탐색 트리 Binary Search Tree (BST), 자가 균형 이진 탐색 트리 Self-Balancing Binary Search Tree

트리노드삭제 밑바닥부터 구현, 자식이 하나있는경우 2있는경우, 자식이 없는 경우/leaf 노드 삭제/single child를 갖은 노드 삭제/two child를 갖은 노드 삭제/ 자바 파이썬 구현

알고리즘의 의미와 정의/표현 방법(흐름도(flow chart),수도코드(Pseudo-code))/알고리즘 성능 분석(수행 시간 측정,복잡도 분석(Big-O notation))

Lecture 3 | Stochastic Gradient Descent, Momentum, AdaGrad, Adam, Learning rate schedules 요약

Lecture 3 | Stochastic Gradient Descent, Momentum, AdaGrad, Adam, Learning rate schedules 요약

Lecture 4 | Multi-layer Perceptron Backpropagation 요약

OpenCV 영상처리_ RGB,Grayscale,HSV 색공간

버블정렬 시각화, 버블정렬 평가, 버블정렬 파이썬 구현, 버블정렬 자바 구현, 시간 복잡도,버블정렬 쉽게 설명, 그림으로 보기

Lecture 5 | Convolutional Neural Networks 요약

OpenCV 픽셀과 이미지 개념, 컬러 이미지를 구성하는 픽셀에 값을 넣기,컬러이미지를 그레이스케일 이미지로 변환, 그레이 스케일 이미지를 이진화 이미지로 변환

삽입정렬 시각화, 삽입정렬 평가, 삽입정렬 파이썬 구현, 삽입정렬 자바 구현, 시간 복잡도,삽입정렬 쉽게 설명, 그림으로 보기

Lecture 6 | Training Neural Networks Part I 요약

Mat 객체,ROI, Rect, Range / 이미지 복사본 생성 clone,copyTo

선택정렬 시각화, 선택정렬 평가, 선택정렬 파이썬 구현, 선택정렬 자바 구현, 시간 복잡도,선택정렬 쉽게 설명, 그림으로 보기

Lecture 7 | Training Neural Networks Part II 요약

픽셀에 접근하는 방법

분할정복 Divide and Conquer,

분할정복 Divide and Conquer, 병합정렬 시각화, 병합정렬 평가, 병합정렬 파이썬 구현, 병합정렬 자바 구현, 시간 복잡도,병합정렬 쉽게 설명, 그림으로 보기

파이썬, C++ 이미지 채널 분리 및 합치기/ 채널 분리, 채널 합치기, 채널 혼합

분할 정복 Divide and Conquer,퀵정렬 시각화, 퀵정렬 평가, 퀵정렬 파이썬 구현, 퀵정렬 자바 구현, 시간 복잡도,퀵정렬 쉽게 설명, 그림으로 보기

Lecture 9 | CNN Architectures 요약

이진화와 임계값 처리

분할정복 Divide and Conquer, 힙정렬 시각화, 힙정렬 평가, 힙정렬 파이썬 구현, 힙정렬 자바 구현, 시간 복잡도, 힙 추출, 힙 삽입, 힙정렬

적응형 이진화 adaptiveThreshold

이미지 연산 블랜딩 addWeighted

차연산 subtract

leet code_148. Sort List

이미지 비트연산 cv2.bitwise(연산 이미지1, 연산 이미지2), 로고를 이미지에 넣는 코드

오토인코더(Auto Encoder) 목표, 개념, 전략, 오토 인코더 대칭 구성의 이유, 손실함수, 이상탐지

OpenCV 영상처리 죄표계, 선분그리기, 파이썬 C++ line함수

오토인코더(Auto Encoder) 목표, 개념, 전략, 오토 인코더 대칭 구성의 이유, 손실함수, 이상탐지

LightningModules(라이트닝모듈)

Transformer 모델 개요,Encoder,Embedding,positional encoding,Self-Attention,Multi-Head Attention,Decoder,Masked Multi Head Attention 트렌스포머 코드부터 개념까지

OpenCV 영상처리 컨볼루션과 마스크

프레임워크와 라이브러리의 개념, 장점/ 프레임워크 vs 라이브러리// 추가학습: 아키텍쳐 Architecture와 플랫폼의 정의

OpenCV 영상처리 컨볼루션과 마스크 블러링, 평균블러링, 가우시안 블러링, 중간값 블러링, 양방향 필터링

OpenCV 영상처리 에지검출 소벨필터, 캐니 에지 디텍터

OpenCV 영상처리 모폴로지 Erosion, Dilation, Opening, cv2.getStructuringElement, cv2.erode

OpenCV 영상처리 허프 변환 Hough Line Transform, HoughLines 함수 원형, HoughLinesP 함수 원형

OpenCV 영상처리 허프 변환 Hough Circle Transform 원 그리기

OpenCV 영상처리 템플릿 매칭 matchTemplate () 함수 원형

팰린드롬, 회문

Are you ready to learn RL?

OpenCV 영상처리 findContours, drawContours

팰린드롬, 회문

가장 흔한 단어

Basic Concept of RL

두 정렬 리스트의 병합

Lecture 1 | Word Vectors 요약

Lecture 2 | Word Vectors 2 and Word Window Classification 요약

Lecture 3 | Lecture 3 Backprop and Neural Networks 요약

Lecture 4 | Dependency Parsing 요약

Lecture 5 | Recurrent Neural Networks and Language Models 요약

벡터란, 벡터에 담긴 기하학적 의미, 벡터 합, 합성벡터, 벡터 합의 평행사변형 법칙 (parallelogram law), 벡터 합의 평행사변형 법칙의 성질, 스칼라 곱, 세 점 A, B, C 로 결정되는 평면

대수적 구조로서 벡터의 개념, 벡터공간, 용어정리

부분공간(subspace) 정의, 부분공간이기 위한 필요충분조건, 행렬의 종류(정방행렬, 전치행렬, 대칭행렬, 영행렬, 삼각행렬, 대각행렬, 항등행렬, 직교행렬

일차 결합 linear combination, 계수 coefficient, 일차결합 증명, 생성공간 span

일차종속 linearly dependent, 일차독립 linearly independent

기저 basis, 표준기저 standard basis, 기저의 성질, 대체정리 replacement theorem, 기저와 연관 개념, 부분공간의 차원, 라그랑주 보간법, 라그랑주 다항식 Lagrange polynomial]

기저 basis, 표준기저 standard basis, 기저의 성질, 대체정리 replacement theorem, 기저와 연관 개념, 부분공간의 차원, 라그랑주 보간법, 라그랑주 다항식 Lagrange polynomial]

Just about everything you'll need to style in the theme: headings, paragraphs, blockquotes, tables, code blocks, and more.

Custom written post descriptions are the way to go... if you're not lazy.

MathJax Example for Moon Jekyll Theme.

Demo post displaying the various ways of highlighting code in Markdown.

To ground our approach, this section summarizes MLMs for pre-training bidirectional Transformers (Devlin et al., 2019). Compared to causal LMs (Peters et al., 2018) trained unidirectionally, MLMs randomly mask some tokens and predict the masked tokens by considering their context on both sides. Formally, given a piece of text U, a tokenizer, e.g., BPE (Sennrich et al., 2016), is used to produce a sequence of tokens [w1, . . . , wn]. A certain percentage of the original tokens are then masked and replaced: of those, 80% with the special token [MASK], 10% with a token sampled from the vocabulary V, and the remaining kept unchanged. The masked sequence, denoted as [w (m) 1 , . . . , w (m) n ], is passed into a Transformer encoder to produce contextualized representations for the sequence:

A ton of text to test readability with image feature.