데알못정을

지난 10/16~10/18 미국 인디애나폴리스에 열린 미국 경영과학회(INFORMS)에 다녀왔다. 국내 학회는 가봤지만 해외 학회는 처음이다.해외 학회가 처음인데 session 발표를 하게되서 매우 떨렸던 것 같다.(머릿 속이 하얘져서 진행자체를 못할 까봐 제일 걱정됬다.)우선 국내 학회랑 다르게 복장 자체가 다들 자유로운 분위기였다.또한 로비에서 사람들이 모두 나와 서로 연락처와 연구분야를 공유하면서네트워킹을하는 모습이 인상적이었다.나는 Data Analytics in Manufacturing Industry 세션에서발표를 진행했고, 내가 발표한 것은 최근 데이터 불균형 문제에 대해 연구했던 내용으로 발표했다.내가 발표한 주제의 제목은 'Class imbalance handling in latent s..

지난 8월 SQL 개발자(SQLD) 자격증을 공부하여 9월에 자격을 취득했다. SQLD란 데이터베이스와 데이터 모델링에 대한 지식을 바탕으로 응용 소프트웨어를 개발하면서 데이터를 조작하고 추출하는데 있어서 정확하고 최적의 성능을 발휘하는 SQL을 작성할수 있는 개발자를 말한다.(Kdata 자격소개) SQLD를 따야겠다는 생각을 한 이유는 학교에서 데이터베이스 관련 과목을 수강했어서 쉽게 딸 수 있을 것 같았다. SQLD는 총 2가지 과목으로 이루어져있다. 1 과목인 '데이터모델의 이해 및 분석'은 데이터베이스가 구성되는 요소를 결정하는 여러가지를 다룬다. 2 과목인 'SQL 이해 및 활용'은 데이터베이스에 접근하여 데이터를 정의, 테이블을 조작 하는 등의 SQL언어를 다루고 있다. 나는 9월 4일 '46..

신경망에서 특정 layer의 결과 값을 출력할 수 있다. 최근 신경망 관련 연구를 하다가, 신경망의 각 layer의 결과 값이 input data 대비 어떻게 representation 되는지 확인하기 위해 이 작업이 필요 했다. [전체 코드] class MLPclassifier(nn.Module): def __init__(self, input_size, drop_rate): super(MLPclassifier, self).__init__() self.input_size = input_size layer1 = [nn.Linear(input_size, 39), nn.BatchNorm1d(39), nn.Dropout(drop_rate), nn.ReLU()] layer2 = [nn.Linear(39, 72),..

학군단 하계훈련이 끝나고 나서, 개강까지 한달이 남은 시점에 무엇을 하며 남은 방학을 보낼까 고민을 하고 있었다. 그러던 중 직전학기인 (3학년 1학기) 때 배운 데이터마이닝 과목과 관련해 현재 딸 수 있는 자격증인 ADSP가 눈에 들어왔다. 먼저 도전해서 자격을 취득한 과동기 지수한테 여러가지 물어보고 15일을 잡고 시작을 했다. 시험 후기를 시작하기 전에 민트책도 빌려주고, 여러 도움을 많이 줬던 지수에게 너무 감사하다! (보고있니?) 사실 1과목 2과목 보다는 3과목에 자신이 있었는데, 그 이유는 우선 직전학기 때 R을 사용해서 데이터 분석 프로젝트를 해봤기 때문이다. 그럼에도 3과목의 점수가 낮다 ㅋㅋㅋㅋ 3과목을 먼저 파야하는 이유가 여기서 나온다. 1과목 2과목은 처음 접하는 내용이었고 그냥 ..

오늘 포스팅에서 리뷰할 논문은 "GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models"이며, 이 논문은 2021년 12월 open ai에서 나온 논문이고, text를 image로 생성한다는 점에서 DALL-E와 목적은 같지만, Diffusion model을 사용하여 구현했다는 특징이 있다. 이 논문은 CLIP guidance 학습 방법과 Classifier-free guidance 학습 방법을 비교하여 실험 결과를 제시하고 있다. ​Introduction 최근 guidance technique이 diffusion model의 이미지 생성 결과를 high quality로 만들어 주었다. [4]“..

이미지 데이터는 다차원 특징 공간의 한 점으로 표현될 수 있다. 여기 여자아이들 우기 사진이 있다고 하자. 우기의 '코'의 길이 라는 특징 1과 우기의 '눈'의 모양 이라는 특징 2를 확률 변수로 두고 어떤 한 공간상에 표현하면 확률 분포를 만들 수 있다. 생성 모델(Generative Model)은 실존하지 않지만 있을 법한 이미지를 생성할 수 있는 모델이다. 위 다변량 분포와 비슷하게 생성모델이 분포를 만들어 내면 우기의 코의 길이, 눈의 모양과 비슷하게 이미지를 만들어 낼 수 있다. 이와 같이, 생성모델의 목표는 이미지 데이터의 분포를 근사하는 모델 G를 만드는 것이다. 이러한 목적을 갖고 제안된 모델이 GAN 이다. GAN은 다음과 같이 시간이 지나면서 생성모델의 분포(초록)이 원본 데이터의 분포..