무스마

RSS

게시글: 129
등록: 2026년부터

All Frontend Backend AI DevOps Architecture Etc

AI
OpenCV를 활용한 디지털 Digits 분석하기!!(1)
이 글은 OpenCV 라이브러리를 활용하여 디지털 숫자(Digits)를 인식하는 OCR(광학 문자 인식) 구현 과정을 다룹니다. 특히, 기울어지거나 왜곡된 이미지에서 숫자 영역을 추출하고 정규화하는 'Warping' 전처리 기법을 상세히 설명합니다. Python과 OpenCV의 `cv2.getPerspectiveTransform` 및 `cv2.warpPerspective` 함수를 사용하여 원본 이미지의 특정 영역을 사각형 형태로 변환하는 과정을 예제 코드로 보여줍니다. 이후 흑백 변환 등 추가적인 이미지 전처리 단계를 거쳐 숫자 인식의 정확도를 높이는 방법을 소개하며, 프로젝트에서 OCR 구현이 필요할 때 참고할 수 있는 실용적인 내용을 담고 있습니다.
OpenCVOCRDigits
무스마·2019년 6월 17일
AI
간단한 예측을 해보자!!(3)
이 글은 2019년 KBO 타자 성적 예측 대회에 참여하여 OPS(On-base Plus Slugging)를 예측하는 과정을 다룹니다. 제공된 프리시즌 및 정규 시즌 타자 성적 데이터를 활용하며, 특히 EDA(탐색적 데이터 분석)를 통해 데이터의 특성을 파악하고 변동성이 큰 지표를 찾는 데 집중합니다. 특정 연도와 다음 연도의 지표 변화량을 계산하여 변동성을 측정하고, 이를 시각화하여 분석합니다. 이를 통해 예측 모델 구축에 필요한 핵심 지표를 도출하는 과정을 보여줍니다.
KBO 타자 성적 예측머신러닝데이터 분석
무스마·2019년 5월 14일
AI
간단한 예측을 해보자!! (2)
본 글은 타이타닉 생존자 예측을 위한 머신러닝 모델링 과정을 다룹니다. 이전 EDA(탐색적 데이터 분석) 단계를 거쳐, 이번 편에서는 Scikit-learn 라이브러리를 활용하여 다양한 예측 모델을 구축하고 성능을 평가합니다. Gaussian Naive Bayes, Logistic Regression, k-Nearest Neighbors(kNN), Support Vector Machine(SVM), Decision Tree, Random Forest, XGBoost 등 총 6가지 모델을 사용하여 교차 검증(cross-validation)을 통해 정확도를 측정합니다. 각 모델별로 최적의 하이퍼파라미터를 탐색하고, 이를 통해 타이타닉 생존자 예측 문제에 대한 모델링 및 예측을 수행하는 과정을 상세히 설명합니다.
머신러닝Scikit LearnLogistic Regression
무스마·2019년 4월 11일
AI
간단한 예측을 해보자!! (1)
이 글은 Kaggle의 유명한 Titanic 생존자 예측 경진대회에 참여하는 방법을 소개하고, 데이터 분석 및 예측 모델 구축의 첫 단계를 다룹니다. Jupyter Notebook 환경에서 필요한 라이브러리(Numpy, Pandas, Scikit-Learn, XGBoost)를 불러오고, Kaggle에서 제공하는 학습 데이터와 테스트 데이터를 Pandas DataFrame으로 불러오는 과정을 설명합니다. 또한, 학습 데이터를 통해 승객 생존율, 결측치(나이, 선실, 승선 항구 등) 현황, 운임 정보 등을 파악하는 데이터 탐색 과정을 보여줍니다. 이 글은 머신러닝 입문자가 Kaggle을 통해 실제 데이터셋으로 예측 모델을 만들어가는 여정의 시작을 알립니다.
KaggleTitanic머신러닝
무스마·2019년 3월 14일
AI
라이더(Lidar) 센서와 응용
이 글은 라이더(Lidar) 센서의 기본 원리와 특징, 그리고 실제 적용 사례를 다룹니다. 라이더는 레이저를 이용하여 물체까지의 거리를 측정하는 센서로, 높은 정밀도와 공간 해상도를 자랑합니다. 레이저 송신부, 수신부, 데이터 처리부로 구성되며, 짧은 파장의 레이저를 사용해 물체의 크기와 형태를 빠르게 파악하고 3D 스캐닝도 가능합니다. 미세먼지 크기까지 측정 가능하며 레이더 센서보다 넓은 감지 범위와 빠른 반응 속도를 가집니다. 날씨나 태양광의 영향을 받기도 하지만, 다양한 레이어 스캐닝과 입체적인 형상 확인이 가능합니다. 실제 적용 사례로 기차 선로 침범 감지를 위한 크레인 감지 테스트 결과를 공유하며, 라이더 센서가 자율주행, 로봇 공학 등 다양한 분야에서 객체 인식 및 환경 인지에 핵심적인 역할을 할 수 있음을 보여줍니다.
라이더Lidar센서
무스마·2019년 3월 5일
AI
Kaggle에 대해서 알아보자!!
이 글은 데이터 분석 및 머신러닝 학습과 경쟁 플랫폼인 Kaggle에 대해 소개합니다. Kaggle은 사용자가 데이터를 기반으로 문제를 제출하면 다른 사용자들이 해결책을 제출하는 방식으로 운영됩니다. 글에서는 Kaggle의 주요 기능인 'Competitions' 섹션을 집중적으로 다루며, 특히 유명한 'Titanic Prediction' 대회를 예시로 들어 설명합니다. 대회의 'Data' 섹션에서는 제공되는 데이터셋에 대한 정보와 다운로드 방법을, 'Kernel' 섹션에서는 다른 참가자들이 작성한 분석 코드(Kernel)를 볼 수 있음을 보여줍니다. Kaggle은 다양한 형태의 데이터를 활용한 머신러닝 경진대회를 통해 실력을 향상시키고 경험을 쌓을 수 있는 유용한 플랫폼임을 강조합니다.
Kaggle데이터 분석머신러닝
무스마·2019년 3월 3일
AI
Windows에서 Tensorflow Object Detection API 설치하기!!
이 글은 Windows 환경에서 TensorFlow Object Detection API를 설치하는 과정을 상세하게 안내합니다. Python용 TensorFlow 설치가 완료되었다고 가정하며, API 다운로드, 특정 버전의 Protobuf 설치, 필요한 Python 라이브러리(Pillow, lxml, jupyter, matplotlib) 설치, 그리고 proto 파일 컴파일 단계를 포함합니다. 특히 Windows 환경에서 Protobuf 설치 시 발생할 수 있는 문제를 해결하기 위해 3.1 버전을 사용하도록 권장하며, 각 단계별 명령어와 주의사항을 명확하게 제시하여 사용자가 오류 없이 설치를 완료할 수 있도록 돕습니다. 이는 머신러닝, 특히 컴퓨터 비전 분야에서 객체 탐지 모델을 구축하려는 개발자들에게 유용한 가이드입니다.
TensorflowObject Detection APIWindows
무스마·2019년 2월 14일