신경망: Deep learning 응용

리뷰

머신러닝

• 벡터로 표현된 데이터샘플을 이용해 분류/예측 모델을 만드는 분야.
• 데이터 샘플을 training data/test data 로 나눠서 사용한다.
• 과적합 문제, 일반화를 정규화를 통해 해결

딥러닝

활용절차

• 문제 정의
• 문제 해결에 필요한 데이터 정의(어노테이션)
• 비즈니스 고도화
• 새로운 비즈니스 창출

딥러닝 영상인식

• 60000개 데이터를 분류

1. 데이터 전처리 이후 셈플링
2. 영상: CNN모델링을 통해 해결해야한다.
   • Conv, Pooling층 개수 선택
   • Fully connected layer개수 선택
   • 정규화(softmax activation) output나온것을 1이되도록한다.
   • Loss function: Cross entropy사용.
3. 출력: 10개 중 1개의 값
4. 평가: 정확도, Loss graph
5. 분석: Confusion 매트릭스

딥러닝 응용 기본구조-encoder, decoder

• 학습데이터의 input, output으로 인코딩-디코딩 과정을 정확하게 활용한다.
• 중간의 code가 다양한 역할을 수행한다.

언어처리에 활용

영상 분할에 활용

Activity Recognition

• 가속도 센서, 자이로센서등으로 사람의 행동을 인식한다.

CNN을 사용한 Activity Recognition

• CNN은 합성곱, 풀링방식으로 인해 영상인식에 최적화되어있긴하지만, 행동인식분야에서도 사용될 수 있다.

fMRI로부터 Mental state인식

• 뇌 안의 혈류량의 차이로 마그네틱 필드가 달라지는데, 이 뇌의 상태를 보고 확인하기

• 3차원 이미지를 3차원 벡터로 변형하고, 3차원 필터로 Convolution을 한다.

P2P Social Lending

• 상환 예측

CNN을 통한 상환예측

• DCNN을 사용한다.
• inception + resnet을 같이 사용하면 성능이 극대화된다.

Inc-Res CNN with t-SNE

• 층을 거듭해나가면서 주어진 문제 해결에 가까워짐을 확인할 수 있다.

BSR Classification

• BSR Noise: 자동차에서 나는 소리를 추적해 어디서 발생하는지 확인
• 여러 잡음이 섞인상태이며, 짧은 기간에 발생하는 소리.

• 주파수별로 파악해 그림으로 바뀌면 windowing을 통해 판정한다.
• CNN을 기본적으로 사용, Encoder-Decoder 중 Decoder파트를 Generator에 가져온다.
• GAN을 통해 적대적 신경망으로 데이터를 직접 생성해서 처리했다.(generator)

악성코드탐지

• Assembly 코드를 이미지화해서 BSR방법처럼 처리

에너지 수요량 예측

• Input: 글로벌 전력량, 전압, 전류, 각 주거형태별 사용량

• Output: t시점 이후 전력량

• 시계열데이터: RNN의 LSTM을 사용하되, CNN을 결합한다.
• CAM과 어텐션 가중치의 심볼화 및 확률적 설명

굴삭기 작업모드 분류

• CNN(영상) + LSTM(시계열)
• 입력: 동영상 및 시계열 유압센싱값
• 출력: 작업종류

• 영상을 기반모델과 센서모델의 앙상블(합침).

차량내부 소음 분류

• 차량 내부 소음판정
• 어디서 온 소리인지 확인하기 어려움.
• 소음을 영상화해서 CNN을 적용.
• LSTM을 통해 시계열 처리

스마트폰 표면결함 탐지

• 먼지, 이물과 표면결함 구분
• 미검/과검율 동시에 낮춰야하는 어려움

공사보고서 리스크 조항 탐지

• 공사 보고서의 리스크 탐지
• 자언어처리: BERT모형을 사용.

초거대 AI