[DL] DeepLearning 이모저모

https://techdifferences.com/difference-between-classification-and-clustering.html

 

Classification 

: 주어진 데이터를 주어진 라벨(클래스)에 의해 분류하는 법을 학습한다. (지도학습)

 

Clustering

: 주어진 데이터를 데이터의 특징에 의해 스스로 클래스를 군집화한다. (비지도학습)

 

 

 

ㅊhttps://www.researchgate.net/figure/Classification-vs-Regression_fig9_326175998

Classification 

: 주어진 데이터가 어떤 라벨(클래스)인지 예측하는 것이다.

   - discrete한 output을 가진다.

 

Regression

: 주어진 데이터의 경향성을 파악하고 함수를 예측하는 것이다. 

   - 어떤 데이터를 대표할만한 모델을 만들고, 그 결과로 연속적인 output을 가진다.

   - 주어진 데이터의 트렌드를 파악하는 용도로 괜찮다.

 

 

https://medium.com/analytics-vidhya/ml06-intro-to-multi-class-classification-e61eb7492ffd

분류하고자 하는 class에 따라서 다른 접근법을 사용해야 한다.

Linear / Nonlinear 등 data의 분포 특성에 따라서 더 적합한 classifier를 사용하는 것이 바람직하다.

 

 

---

https://levity.ai/blog/difference-machine-learning-deep-learning

전처리

: data에서 유의미한 feature만 뽑아내어 input으로 넣는 과정이다. 머신러닝은 필수적이다.

 

End to End

: 전처리 과정, feature engineering없이 데이터만 넣으면 알아서 학습하여 output이 나오는 모델이다.  

 

 

https://nuggy875.tistory.com/20

Deeplearning은 image data에 특화되어 있는 듯 한 느낌이다.

 

 

https://gomguard.tistory.com/188

Deeplearning에서 이미지를 다룰 때, mlp의 문제점이다. 

이미지가 조금씩 밀리거나, 기울기의 변화 등이 있을 때, 이를 잡지 못한다.

https://velog.io/@kim_haesol/CNN-기초설명

그래서, CNN을 사용한다. 

Feature Extraction

: 특징을 추출하기 위한 단계 (receptive field, convolution filter)

 

Shift and Distortion Invariance

: topology 변화에 영향을 받지 않기 위한 단계 (subsampling(max pooling))

 

Classification

: 분류기 단계 (fully-connected output)