총 1,437개
-
머신러닝 2024년 2학기 방송통신대 출석수업과제물 과제 슬라이드 1~7의 코드 및 설명을 참조하여 신경망 구성 및 test accuracy 출력2025.01.261. Fashion MNIST 데이터셋 Fashion MNIST 데이터셋은 옷 이미지 데이터셋으로, 10개의 클래스(T-shirt/top, Trouser, Pullover, Dress, Coat, Sandal, Shirt, Sneaker, Bag, Ankle boot)로 구성되어 있습니다. 이 데이터셋을 사용하여 신경망 모델을 구축하고 학습을 진행합니다. 2. 데이터 전처리 데이터 시각화를 통해 이미지 데이터를 확인하고, 픽셀 값을 0~1 사이의 실수로 정규화하여 모델 학습에 사용합니다. 이미지 데이터를 1차원 벡터로 변환하는 과정...2025.01.26
-
멀티미디어개론 색상변환을 하는 이유에 대한 설명2025.01.181. 색상 변환 색상 변환은 하나의 색 공간에서 다른 색 공간으로 이미지의 색상을 변경하는 과정을 말한다. 색 공간은 색상의 표현을 위한 특정한 방법을 지칭하며, RGB, YUV, HSV, CMYK 등 다양한 색 공간이 있다. 색상 변환은 다양한 출력 장치의 색 공간 차이, 데이터 압축, 이미지 및 비디오 처리 등의 이유로 실시된다. 2. 샘플링 샘플링은 연속적인 신호를 이산적인 값으로 변환하는 과정을 의미한다. 이는 디지털 컴퓨터가 이산적인 값만을 처리할 수 있기 때문에 필요한 과정이다. 샘플링은 신호를 일정한 시간 간격으로 측정...2025.01.18
-
JPEG의 압축 과정에 대한 단계별 설명2025.01.171. 색상변환 JPEG 알고리즘을 사용한 이미지 압축 과정에서 가장 먼저 이루어지는 단계는 색상 변환이다. 이 과정에서는 원본 이미지의 RGB 컬러 모델을 YIQ 컬러 모델로 전환하게 된다. RGB 모델은 빨강, 녹색, 파랑의 세 가지 색상을 기반으로 하며, 각 색상의 다양한 조합으로 수많은 다른 색상을 표현한다. 반면, YIQ 컬러 모델은 주로 컬러 텔레비전 방송에서 사용되며, 이 모델은 인간의 시각이 색상보다 밝기에 더 민감하다는 원리를 반영하여 설계되었다. Y 성분은 밝기(luminance)를 나타내며, I와 Q 성분은 색상(...2025.01.17
-
JPEG 압축과정의 단계별 과정2025.05.111. JPEG 압축 과정 JPEG(Joint Photographic Experts Group)는 이미지 파일 형식 중 하나로, 손실 압축 기술을 활용한다. JPEG 압축 과정은 색상변환, 다운 샘플링, DCT 변환, 양자화, 부호화의 다섯 가지 단계로 구성된다. 각 단계에서는 이미지의 용량을 효과적으로 줄이면서도 인간의 시각 특성을 고려한 이미지 품질을 유지할 수 있다. 2. 색상변환 JPEG의 압축 과정 중 색상 변환 단계는 원본 이미지의 RGB(Red, Green, Blue) 색상 공간을 YIQ 색상 공간으로 변환하는 과정이다....2025.05.11
-
딥러닝의 EEG 신호 분석에서의 활용과 CNN의 원리2025.01.141. 딥러닝 기반 EEG 분석 딥러닝 기법들은 동작상상, 감정인식 등 EEG 데이터 분류 작업에서 우수한 성능을 보인다. 딥러닝 알고리즘은 EEG 데이터 수집과 전처리, 딥러닝 모형 학습, 신호 분류 및 해석의 과정으로 구성된다. 전처리 과정에서는 입력받은 뇌파 신호를 분류하기 쉬운 형태로 바꿔주어 분류의 정확도를 높여야 한다. 2. EEG분석을 위한 딥러닝 기법 EEG 분석을 위한 딥러닝 기법에는 CNN, RNN, GAN, Autoencoder 등이 있다. 입력되는 데이터의 특징에 따라 CNN보다 RNN이 자극에 의한 변화를 인식...2025.01.14
-
LLM(Large Language Model)과 LMM(Large Multimodal Model)의 비교 및 딥러닝과의 관계2025.01.261. LLM(Large Language Model) LLM은 대규모 텍스트 데이터를 학습하여 사람처럼 언어를 이해하고 생성할 수 있는 능력을 갖춘 모델입니다. 이는 자연어 처리(NLP) 기술의 발전을 기반으로 하며, 딥러닝 기술을 활용해 언어의 문법적 구조와 단어 간 의미적 관계를 학습합니다. LLM은 챗봇, 자동 번역, 텍스트 요약 등 다양한 분야에서 활용되고 있습니다. 2. LMM(Large Multimodal Model) LMM은 텍스트뿐만 아니라 이미지, 소리, 동영상 등 다양한 데이터를 통합적으로 처리할 수 있는 인공지능 ...2025.01.26
-
방통대 [딥러닝의통계적이해] 2024 출석과제물 (30점 만점 인증 / 표지제외 18페이지 분량 / 코드 및 해설 포함)2025.01.251. Teachable Machine을 이용한 이미지 분류 Teachable Machine에 판다 이미지 54개와 레서판다 이미지 21개를 각 클래스로 나누어 입력하고 학습시켰다. 학습 시도 횟수인 에포크는 50으로 설정되었으며, 배치 크기는 16으로 설정되었다. 학습률은 0.001로 설정되어 있으며, 학습이 완료된 모델에 테스트 이미지를 입력한 결과 판다와 레서판다의 사진 또는 그림에 대해 대부분 100%로 판단하고 정답을 맞추는 것을 확인할 수 있었다. 레서판다 이미지 샘플 수 부족을 보완하기 위해 학습률을 0.00057로 낮추...2025.01.25
-
생성시스템에 대해 설명하시오2025.05.111. 생성시스템 생성시스템은 컴퓨터 프로그램이나 하드웨어를 사용하여 새로운 콘텐츠를 자동으로 생성하는 시스템을 말합니다. 이러한 시스템은 인공지능, 기계학습, 자연어처리 등의 기술을 활용하여 다양한 종류의 콘텐츠를 생성할 수 있습니다. 생성시스템은 예술, 문학, 음악, 게임, 디자인 등 다양한 분야에서 활용될 수 있으며, 콘텐츠의 품질과 다양성을 향상시킬 수 있습니다. 2. 생성시스템의 작동 방식 생성시스템은 다양한 방식으로 작동할 수 있습니다. 예를 들어, 자연어처리 기술을 사용하여 텍스트를 생성하는 시스템은 주어진 데이터를 분석...2025.05.11
-
[보고서]GAN에 대한 보고서2025.01.241. GAN GAN은 적대적 훈련을 통해서 만들어지는 모델링이다. 일반적으로 신경망은 정보를 줄이고, 정제하고, 축약하는 데 사용한다. GAN은 이러한 일반적인 신경망의 구조를 변경시켜 만든 새로운 구조의 신경망을 말한다. GAN이란 진짜와 가짜를 구별할 수 없을 정도로 정교한 가짜를 만드는 생성자를 학습하는 알고리즘이다. GAN의 구조는 생성기(Generator)와 판별기(Discriminator)로 이루어져 있으며, 두 신경망이 서로 적대적 관계로 경쟁하면서 성능이 향상된다. GAN의 훈련 과정은 복잡하며, 생성기와 판별기의 성...2025.01.24
-
LLM(대규모 언어 모형)과 LMM(대규모 멀티모달 모형)의 비교 및 딥러닝과의 관계2025.01.261. LLM(대규모 언어 모형) LLM은 주로 텍스트 데이터를 기반으로 학습된 모델로, 자연어 이해(NLU)와 자연어 생성(NLG)에 강점을 지닌다. 대표적인 예로는 OpenAI의 GPT 시리즈가 있으며, 이들은 방대한 양의 텍스트 데이터를 학습하여 인간과 유사한 수준의 텍스트 생성 능력을 보유하고 있다. LLM은 주로 챗봇, 자동 번역, 텍스트 요약, 감정 분석 등 다양한 언어 처리 작업에 활용된다. 2. LMM(대규모 멀티모달 모형) LMM은 텍스트뿐만 아니라 이미지, 음성, 비디오 등 다양한 형태의 데이터를 동시에 처리할 수 ...2025.01.26
3 / 144
