휴먼스케이프

RSS

게시글: 78
등록: 2026년부터

All Frontend Backend AI DevOps Architecture Etc

AI
처음부터 시작하는 자연어처리(3)
이 글은 자연어처리 기술 중 단어 임베딩 방식인 word2vec에 대해 설명합니다. Distributional Hypothesis(분산가설)를 기반으로, 비슷한 문맥에서 사용되는 단어들은 비슷한 의미를 가진다는 원리를 활용합니다. word2vec은 CBOW(Continuous Bag-of-Words)와 skip-gram 두 가지 학습 방식으로 나뉩니다. CBOW는 주변 단어들을 입력으로 중심 단어를 예측하고, skip-gram은 중심 단어를 입력으로 주변 단어들을 예측합니다. 글에서는 특히 CBOW의 학습 과정과 단어 벡터화를 위한 원-핫 인코딩 방식에 대해 예시와 함께 설명하고 있습니다.
자연어 처리word2vecCBOW
휴먼스케이프·2023년 2월 7일
AI
처음부터 시작하는 자연어처리(2.6)
이 글은 자연어처리(NLP) 연재의 2.6편으로, 다음 편에서 다룰 word2vec을 이해하기 위해 필요한 신경망 기초 지식을 설명합니다. 가장 간단한 인공 신경망 모델인 퍼셉트론의 개념을 음식점 점수 산정 예시를 통해 쉽게 설명하며, 가중치(weight)의 개념을 소개합니다. 여러 개의 퍼셉트론을 연결하여 신경망을 구성하는 원리를 설명하고, 입력층(input layer)과 은닉층(hidden layer)의 역할을 간략하게 언급합니다. 이 글은 신경망에 대한 기본적인 이해를 돕기 위해 작성되었습니다.
자연어 처리NLP신경망
휴먼스케이프·2023년 2월 7일
AI
처음부터 시작하는 자연어처리(2.3)
이 글은 '처음부터 시작하는 자연어처리' 시리즈의 2.3편으로, 다음 편에서 다룰 Word2Vec을 이해하기 위해 필요한 행렬 연산의 기초를 설명합니다. 복잡한 수학적 배경 없이도 자연어처리 모델의 핵심 원리를 파악할 수 있도록 행렬의 기본 개념과 연산 방식을 쉽게 풀어 설명하는 데 초점을 맞추고 있습니다. 이를 통해 독자들은 자연어처리 모델의 내부 동작 방식을 이해하는 데 필요한 기본적인 수학적 도구를 갖추게 됩니다.
자연어 처리NLP행렬 연산
휴먼스케이프·2023년 2월 7일
AI
처음부터 시작하는 자연어처리(2)
이 글은 자연어처리(NLP)의 두 번째 글로, TF-IDF(Term Frequency-Inverse Document Frequency)를 활용하여 단어의 중요도를 벡터값으로 추출하는 방법을 설명합니다. TF-IDF는 특정 문서 내에서 단어의 빈도(TF)와 전체 문서 집합에서 해당 단어가 나타나는 문서의 빈도의 역수(IDF)를 곱하여 단어의 중요도를 계산합니다. 이를 통해 문서 내에서 자주 등장하지만 다른 문서에서는 드물게 등장하는 단어의 중요도를 높게 평가할 수 있습니다. 글에서는 TF-IDF의 개념과 원리를 설명하고, 실제 데이터를 통해 단어의 중요도가 벡터값으로 어떻게 변환되는지 이해하는 데 초점을 맞춥니다.
자연어 처리TF-IDF벡터
휴먼스케이프·2023년 2월 2일
AI
처음부터 시작하는 자연어처리(1)
이 글은 자연어 처리(NLP)를 처음 배우려는 사람들을 위한 입문 시리즈의 첫 번째 편입니다. 파이썬 설치부터 시작하여 NLP의 기초를 다루는 것을 목표로 합니다. 복잡하게 느껴질 수 있는 NLP 분야를 쉽게 이해할 수 있도록 단계별로 설명하며, 앞으로 이어질 시리즈에서 더 깊이 있는 내용을 다룰 것을 예고합니다. NLP 학습에 대한 막막함을 해소하고 실질적인 첫걸음을 뗄 수 있도록 돕는 가이드 역할을 합니다.
자연어 처리NLP파이썬
휴먼스케이프·2023년 2월 2일
AI
[Paper Review] Matrix Factorization
이 글은 Netflix Prize Competition에서 주목받았던 Matrix Factorization 기법을 다룬 논문을 리뷰합니다. Matrix Factorization은 딥러닝 기반의 추천 시스템으로, Netflix가 1억 개의 사용자 평가 데이터를 활용하여 기존 추천 시스템보다 RMSE 성능을 10% 이상 개선하는 방법론을 찾기 위해 개최한 대회에서 1, 2위를 차지한 팀의 핵심 기술입니다. 글에서는 추천 시스템의 두 가지 주요 방식인 Content Filtering과 Collaborative Filtering을 소개하며, 특히 Matrix Factorization이 어떻게 사용자들의 선호도를 예측하고 개인화된 추천을 제공하는지에 대한 논문의 내용을 깊이 있게 탐구합니다. 이를 통해 추천 시스템의 발전 과정과 Matrix Factorization의 중요성을 이해할 수 있습니다.
Matrix Factorization추천 시스템Netflix Prize
휴먼스케이프·2021년 4월 1일
AI
[Paper Review] YOLO
이 글은 실시간 객체 탐지 기술인 YOLO(You Only Look Once)의 v1 버전을 심층적으로 리뷰합니다. 기존 객체 탐지 시스템의 느린 속도 문제를 해결하기 위해 제안된 YOLO는 이미지를 한 번만 보고 객체의 존재 여부와 종류를 판단하는 혁신적인 접근 방식을 사용합니다. 글에서는 YOLO의 목표, 객체 탐지의 기본 개념, 그리고 기존 시스템의 한계를 분석하며 YOLO가 어떻게 이러한 문제들을 해결하는지에 대해 설명합니다. 특히, 분류(classifying) 과정을 재구성하여 객체 탐지를 구현했던 기존 방식의 비효율성을 지적하고, YOLO가 이를 어떻게 개선했는지 논문의 내용을 바탕으로 상세히 풀어냅니다.
Object DetectionYOLOComputer Vision
휴먼스케이프·2021년 3월 31일
AI
[Paper Review] VAE
본 포스트는 "Auto-Encoding Variational Bayes" 논문을 리뷰하며 VAE(Variational AutoEncoder)를 소개합니다. VAE는 GAN과 유사하게 특정 데이터셋과 유사한 데이터를 생성하는 생성 모델(Generative Model)입니다. GAN이 노이즈 벡터를 입력으로 받는 것과 달리, VAE는 이미지를 입력으로 받습니다. 논문은 기존에 사후 확률 분포 학습에 사용되던 Monte Carlo Estimation 방법의 비효율성을 해결하기 위해 제안되었습니다. VAE는 복잡한 배경 지식을 요구하지만, 생성 모델 분야에서 중요한 위치를 차지하며 GAN보다 먼저 공개된 모델입니다. 이 글은 VAE의 근본적인 아이디어를 이해하는 데 도움을 줄 것입니다.
VAEVariational AutoEncoderGenerative Model
휴먼스케이프·2021년 3월 11일
AI
[ML Project]Bone Age Assessment(2)
이 글은 헬스케어 분야에 딥러닝을 적용한 Bone Age Assessment 프로젝트의 두 번째 이야기입니다. 이전 포스트에서 PyTorch를 활용한 모델 구축 방법을 다룬 데 이어, 이번에는 구축된 모델을 서빙하는 Flask 서버와 이미지 업로드를 통해 골 연령 판독을 요청하는 React 클라이언트를 구현하는 과정을 상세히 설명합니다. 특히, 복잡한 데이터베이스 없이 요청된 이미지를 모델에 통과시켜 결과를 반환하는 Flask 서버 구축 방법과 CORS 설정, 그리고 Heroku와 Netlify를 이용한 서비스 배포 과정을 다룹니다. 이를 통해 딥러닝 모델을 실제 서비스로 구현하는 전반적인 과정을 보여줍니다.
딥러닝헬스케어Bone Age Assessment
휴먼스케이프·2021년 2월 26일
AI
[Paper Review] StackGAN
본 글은 텍스트 설명으로부터 사실적인 이미지를 생성하는 StackGAN 논문을 리뷰합니다. StackGAN은 텍스트 정보를 단계적으로 활용하여 고해상도 이미지를 생성하는 GAN(Generative Adversarial Network) 기반의 모델입니다. 저자는 StackGAN의 구조와 작동 방식을 설명하며, 특히 텍스트 인코더와 두 단계의 생성자-판별자 네트워크를 통해 저해상도부터 고해상도 이미지까지 점진적으로 생성하는 과정을 상세히 다룹니다. 이를 통해 텍스트의 의미를 정확하게 반영하면서도 사실적인 이미지를 합성하는 기술의 가능성을 보여줍니다. 본 논문은 텍스트-이미지 생성 분야의 발전에 기여하는 중요한 연구로 평가됩니다.
StackGANText-to-Image SynthesisGAN
휴먼스케이프·2021년 2월 26일
AI
코로나19 바이러스(COVID-19)의 스파이크 단백질 구조 시각화 해보기 (w/ python)
이 글은 코로나19 바이러스의 스파이크 단백질 구조를 Python과 Jupyter 환경을 활용하여 시각화하는 과정을 다룹니다. 구체적인 시각화 방법론이나 사용된 라이브러리에 대한 상세한 설명은 본문에 포함되어 있지 않지만, 제목과 설명만으로도 바이러스 단백질 구조라는 복잡한 데이터를 시각적으로 탐구하려는 시도임을 알 수 있습니다. 이는 AI 및 생명과학 분야에서 데이터 시각화의 중요성을 보여주는 사례로, 복잡한 과학 데이터를 이해하기 쉽게 만드는 데 기여합니다. Python의 강력한 데이터 처리 및 시각화 라이브러리를 활용하여 과학적 탐구의 새로운 가능성을 열어줄 것으로 기대됩니다.
코로나19스파이크 단백질구조 시각화
휴먼스케이프·2021년 2월 24일
AI
[Paper Review] Gradient Descent Algorithms
이 글은 'An overview of gradient descent optimization algorithms' 논문을 리뷰하며 머신러닝에서 사용되는 다양한 경사 하강법 최적화 알고리즘에 대한 직관을 제공합니다. 전체 데이터셋을 사용하는 기본적인 배치 경사 하강법(BGD)부터 시작하여, 데이터셋 크기, 스텝 크기, 스텝 방향 변화에 따른 알고리즘들의 관계와 발전 과정을 시각적으로 보여줍니다. 각 알고리즘의 탄생 배경과 특징을 설명하며, 독자들이 경사 하강법 최적화 알고리즘을 더 깊이 이해하도록 돕는 것을 목표로 합니다.
Gradient Descent머신러닝Optimizer
휴먼스케이프·2021년 1월 15일
AI
유전체 데이터 분석 (1)
이 글은 유전체 데이터 분석의 기초적인 내용을 다룹니다. DNA의 구성 요소인 염색체, 유전자, 염기(A, T, G, C)에 대한 기본 용어를 설명하고, 유전 정보를 알아내는 기술인 DNA 시퀀싱의 개념과 발전 과정을 소개합니다. 특히, 과거 HGP에서 사용된 생어 시퀀싱 방식에서 현재 보편화된 NGS(Next Generation Sequencing)로의 전환과 3세대 시퀀싱 기술의 발전 가능성을 언급합니다. NGS는 이전 방식보다 훨씬 많은 양의 데이터를 출력하는 여러 시퀀싱 기술을 통칭하는 용어이며, 미래에는 더 빠르고 저렴하게 개인 유전체 시퀀싱이 가능해질 것으로 전망합니다. 이 글은 유전체 데이터 분석 분야에 대한 이해를 높이는 입문서 역할을 합니다.
유전체 데이터 분석DNADNA 시퀀싱
휴먼스케이프·2019년 1월 9일