분류 전체보기169 머신러닝 분류 알고리즘 4가지 정리 🔹 1. 로지스틱 회귀 (Logistic Regression)📌 개념이름에 "회귀"가 있지만, 사실은 분류(Classification) 알고리즘이에요.결과가 두 가지 중 하나(예: 생존 vs 사망)일 때 적합한 모델이에요.다중 클래스 분류도 가능하며, 이 경우 소프트맥스(Softmax) 함수를 사용합니다.🧠 이론선형 회귀처럼 y = wx + b 형태로 계산한 후, 그 값을 시그모이드 함수에 넣어서 0~1 사이의 확률로 바꿔줘요.시그모이드 함수:이 확률이 0.5 이상이면 1(생존), 아니면 0(사망)처럼 분류합니다.✅ 특징빠르고 간단함결과 해석이 쉬움 (확률 기반)선형적으로 구분 가능한 문제에 적합🚀 활용 사례이메일 스팸 분류의료 진단(질병 유무 판단)신용 대출 승인 여부 결정💻 간단한 구현 예시.. 2025. 4. 18. [논문리뷰] NICE: CVPR 2023 Challenge on Zero-shot Image Captioning 이 보고서는 "NICE: CVPR 2023 Challenge on Zero-shot Image Captioning"라는 제목으로, Taehoon Kim 외 41명이 2023년에 발표했습니다.이 보고서는 NICE(New frontiers for zero-shot Image Captioning Evaluation) 프로젝트를 소개하며, 2023년 챌린지의 결과와 주요 성과를 공유합니다. 이 프로젝트는 컴퓨터 비전 분야에서 공정성과 정확성을 갖춘 최첨단 이미지 캡션 모델을 개발하도록 커뮤니티를 독려하기 위해 설계되었습니다. 챌린지 참가 모델들은 다양한 도메인의 시각적 개념을 포함하는 새로운 평가 데이터 세트를 통해 성능을 테스트받았습니다. 참가자들에게는 챌린지를 위한 특정 교육 데이터가 제공되지 않았으며, 이.. 2024. 11. 27. [논문리뷰] Unsupervised Visual Representation Learning by Context Prediction 이 논문은 "Unsupervised Visual Representation Learning by Context Prediction"라는 제목으로, Carl Doersch 외 2명이 2015년에 발표한 연구입니다. 연구진은 이미지 내 패치들 간의 상대적 위치 관계를 학습하는 방법을 통해, 라벨 없이도 이미지의 유의미한 시각적 특징을 추출할 수 있는 비지도 학습 기법을 제시했습니다. 이 방법은 특히 값비싼 레이블링 작업 없이도 효과적인 시각적 특징 학습이 가능하다는 점에서 큰 혁신을 보여주었습니다. 이 논문에서는 연구진은 사람이 물체의 일부분만 보고도 전체 맥락을 이해할 수 있다는 점에 착안하여, 이미지에서 임의로 선택한 여러 패치들 간의 상대적 위치를 예측하는 방식으로 모델을 훈련시켰습니다. 구체적으로, .. 2024. 11. 6. [논문 리뷰] U-Net: Convolutional Networks for BiomedicalImage Segmentation 이 논문은 "U-Net: Convolutional Networks for BiomedicalImage Segmentation"라는 제목으로, Olaf Ronneberger 외 2명이 2015년에 발표했습니다.이 논문에서는 생의학 이미지에서 정확한 세분화를 수행할 수 있는 새로운 네트워크 아키텍처인 U-Net을 제안합니다.기존 이미지 세분화 모델의 한계를 지적하며, 적은 데이터로도 효율적인 학습이 가능한 대칭형 인코딩-디코딩 구조를 소개합니다.이 모델은 특징 추출을 위한 컨트랙팅 경로와 세밀한 세분화를 위한 확장 경로로 구성되며, 중간 단계의 스킵 연결을 통해 정보를 보존하면서 고해상도 출력을 생성합니다.특히 U-Net은 의료 영상과 같이 한정된 데이터셋에서도 높은 성능을 유지하여, 생의학 분야의 이미지 .. 2024. 10. 30. 이전 1 2 3 4 ··· 43 다음
