사람의 뉴런을 통해 착안 W: b: Activation Hardware Implementations 1957, Frank Rosenblatt, Perceptron False Promises, 허황된 약속을 하게 됨 AND/OR Problem은 가능하나 XOR의 문제는 풀 수 없었음. 1960, Widrow and Hoff, Adaline/Madaline 1969, Marvin Minsky, MIT AI Lab 기존 방식으로 XOR을 풀 수 없다고 얘기함 MLP(Multilayer neural nets)를 통해 풀수도 있다고 했으나 W, b에 대해 학습을 할 수 없다. NN쪽에 대한 연구가 지지부진해짐 1974, 1982 by Paul Werbos, 1986 by Hinton Backpropagation ..
일반적이고 당연한 것이겠지만 1. 데이터의 속성을 세밀하게 분석할 필요가 있다.대부분 제공되는 오픈된 소스에서 보면 코드의 70~80가 전처리 부분이다.한줄 한줄에 대한 이해가 필요함.바꿀 수 있는 요소를 찾고 검토를 해야 함. 2. BP 사례를 찾아 최적이라 생각되는 모델을 구성할 필요가 있다.나중에 모델의 구조를 변경하게 되면 하이퍼파라미터의 재수정이 들어가야되는 상황이 발생하므로최적이라 판단되는 혹은 레퍼런스가 많은 모델 구조를 우선 만들 필요가 있다. 3. 하이퍼 파라미터의 수정은 기록이다.우선 모델을 어느정도 구조화시킨 다음에는 다양한 파라미터를 수정해 가면서 정확도를 예측하게 되는데어떤 전략으로 수정해 나갈지 사전에 계획하고 수정사항들을 꼼꼼히 기록할 필요가 있어 보인다. 4. 시각화도 중요하..
역사출처: https://www.facebook.com/SyzygyGroup/photos/a.205403483317/10155176869023318/?type=3&theater1950년 영국수학자 앨런 튜링 - ‘계산 기계와 지능(Computing Machinery and Intelligence)’ 논문 발표 - 기계가 생각할 수 있는지 테스트하는 방법, 지능적 기계의 개발 가능성, 학습하는 기계 등에 대해 기술1955년, 미국 다트머스 대학 존 매카시 교수 - 다트머스 회의를 통해 처음으로 인공지능(AI)라는 용어가 사용되기 시작 - 당시 인공지능 연구의 핵심은 추론과 탐색미국의 신경외과의 워렌 맥컬록(Warren Mc Cullonch)과 논리학자 월터피츠(Walter Pitts) - 전기 스위치처럼 ..
데이터 사이언스는 특정 도메인의 깊은 지식과 수학, 전산, 소프트웨어 개발 등 다양한 분야의 전문적인 지식이 필요한 부분이다. 그런만큼 모든 것을 한다는 것은 사실상 불가능하다고 볼 수 있다. 이런 상황에서 본인이 어떤 역할자로 데이터 사이언스 분야에 활동할 것인지를 잘 판단하는 것이 중요하다. 학습 데이터 사이언스를 분야를 알기 위해서 필요한 것을 나열해 보면 데이터 처리를 위한 프로그래밍 언어에 대한 이해 Machine Learning, Neural Networ, Deep Learning에 대한 개념 이해 ML관련 기초 수학 지식 데이터 분석 모델링을 위한 플랫폼의 이해(PyTorch, Keras, Tensorflow, ...) 대표 모델들에 대한 이해(AlexNet, Vgg, ResNet, ...)..
코딩 도장: https://dojang.io/course/view.php?id=3
Data Analytics를 크게 분류하면 아래와 같다. Value, Complexity 측면에서 아래로 갈수록 높다고 볼 수 있으며 포함관계를 가진다. 쉽게 이해를 하자면- 무슨 일이 있어났고, - 왜 일어났고, - 어떤일이 일어날 것이고 - 내가 원하는 목표를 달성하기 위해 무엇을 해야하는지를 보는 것. - 유형별로 구분되는 것은 1,2,3의 경우 대안 도출을 사람이 하나 4의 경우 대안을 자동적(또는 사람의 개입을 최소화)으로 도출. 출처: http://www.kdnuggets.com/2017/07/4-types-data-analytics.html 1. Descriptive Analytics- What happened?- 과거 또는 현재에 일어난 일을 파악하기 위한 목적- 통합적이고 정확하고 실제 ..
Genomic portrait of resectable hepatocellular carcinomas: Implications of RB1 and FGF19 aberrations for patient stratification Hepatocellular carcinoma (HCC, 간암)에서의 유전적 양상을 보기 위한 논문. 주로 RB1, FGF19 유전자에 대해 관찰함.First published: 22 September 2014 Abstract 간암 초기 간 절제술은 일반적인 치료이기는 하나 재발율이 높음.- 수술 후 5년 내 재발이 50% 이상- 해당 단계의 유전적 원인이 어떤 것이 있는지 연구함.- Whole Exome Sequencing을 진행하고 CNV 분석을 수행함- 대상: 231 hepat..
[ 커뮤니케이션 통계 방법 - 회귀분석의 내용을 요약 ][네이버 지식백과] 회귀분석 (커뮤니케이션 통계 방법, 2013. 2. 25., 커뮤니케이션북스) Linear Regression: 선형 회귀 분석, 인과관계를 분석하는 추측통계의 한 분야. 사회과학자들의 주요 관심사는 어떤 사회현상을 발생시킨 원인이 무엇인지를 규명하는 것. 즉 결과를 일으키는 원인, 인과성을 밝히고자 함.기본적인 3가지 조건첫째 조건은 원인이 시간적으로 항상 결과보다 앞서야 한다둘째, 원인과 결과는 서로 연관성, 즉 상관관계가 있어야 한다. 원인이 결과를 일으킨다고 할 때, 최소한 두 변인 간에는 논리적인 연관성이 있어야 한다는 것을 의미한다. 마지막으로 결과를 발생시키는 원인 이외에 결과를 발생시킬 수 있는 그럴듯한 제3의 원인..
Machine Learning 대표적인 라이브러리 - TensorFlow, Caffe, mxnet, Theano, deeplearning4j, ... 중 TensorFlow가 사용자 많음. 공부하기 적합함.- Python 활용이 용이함.- Data Flow Graph 기반 (Node, Edge, ...) 관심글- 머신러닝 프레임 워크 비교 : Deeplearning4j, Torch, Theano, TensorFlow, Caffe, Paddle, MxNet, Keras 및 CNTK, http://ysmanse.tistory.com/61- 딥러닝 프레임 워크 비교: https://www.slideshare.net/JunyiSong1/ss-75552936 딥러닝프레임워크비교 from Junyi Song 1. ..
- 기존의 프로그램의 경우 Rule 기반으로 개발됨- 1959년 Arthur Samuel이 제안: Field of study that gives computers the ability to learn without being explicitly programmed학습을 위한 과정은 Data storage > Abstraction > Generalization > Evaluation 단계를 거침.ML은 목적에 따라 크게 4가지 카테고리로 구분됨. 출처: http://en.proft.me/media/science/ml_types2.png ▣ Supervised learningPredictive ModelLabeled Data를 사용주요 알고리즘Classification: Logistic Regression,..
- Total
- Today
- Yesterday
- Bioinformatics
- Python
- 리눅스
- machine learning
- signalP
- Aging
- VirtualHost
- ssh
- 우드스토브
- illumina
- wget
- 달인
- tensorflow
- pygr
- MySQL
- Next Generation Sequencing
- transmembrane
- paired-end
- TM
- xbrowser
- 리눅스 모니터링
- color scripter
- edwith
- CNV
- GaN
- Mate pair
- 화목난로
- 생물정보기업
- deep learning
- 가상호스트
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | |
7 | 8 | 9 | 10 | 11 | 12 | 13 |
14 | 15 | 16 | 17 | 18 | 19 | 20 |
21 | 22 | 23 | 24 | 25 | 26 | 27 |
28 | 29 | 30 |