a-zer0 님의 블로그

[경기AI멤버십] Day 19. 팀프로젝트 SelfFit 기획

긍정 확언1. 오늘 배운 내용Day 19 오전에는 Ultralytics를 활용한 YOLO 객체 탐지 모델의 학습과 평가 과정을 공부했다.YOLOv8의 특징과 객체 탐지 Loss를 살펴보고 사전학습 모델 학습부터 Precision, Recall, mAP 평가와 하이퍼파라미터 튜닝까지의 흐름을 확인했다. 오후에는 경기 AI 멤버십 1차 프로젝트로 SelfFit이라는 웹캠 기반 면접 자가진단 서비스를 기획했다.이날은 본격적으로 기능을 개발하기보다 팀원들과 문제를 정의하고 MVP 범위를 정하는 데 집중했다.나는 프론트엔드 담당으로서 프로젝트 계획서 작성을 돕고 필요한 화면과 사용자 흐름 및 기능을 구체화했다.전체적인 진행 흐름은 다음과 같다.YOLO 학습과 평가 → SelfFit 문제 정의 → 핵심 사용자 설정..

긍정 확언1. 오늘 배운 내용Day 18에서는 객체 탐지(Object Detection)의 기본 개념과 Roboflow 플랫폼 활용 방법을 공부했다.먼저 Bounding Box, 클래스와 Confidence의 의미를 살펴봤다.이후 Roboflow에서 이미지를 업로드하고 객체를 라벨링한 뒤 데이터를 Train·Validation·Test로 분리해 데이터셋 버전을 만드는 과정을 실습했다.마지막으로 사전학습 모델을 이용해 객체를 탐지하고 Roboflow에서 모델을 학습·평가하는 흐름을 확인했다.전체적인 학습 흐름은 다음과 같다.객체 탐지 → Bounding Box와 Confidence → Roboflow Universe → 사전학습 모델 예측→ 객체 탐지 결과 시각화 → 이미지 좌표 보정 → 프로젝트 생성과 ..

긍정 확언1. 오늘 배운 내용Day 17에서는 CNN 사전학습 모델(Pre-trained Model)과 전이학습(Transfer Learning)을 학습했다.먼저 ImageNet과 같은 대규모 이미지 데이터로 미리 학습된 CNN 모델의 특징을 살펴보고 Keras Applications에서 제공하는 대표적인 사전학습 모델을 확인했다.이후 기존 모델의 특징 추출 영역을 새로운 이미지 분류 문제에 재사용하는 방법과 Feature Extraction과 Fine-Tuning의 차이를 공부했다.마지막으로 ResNet50을 이용한 새로운 이미지 분류 과정과 제한된 이미지 데이터를 보완하기 위한 Data Augmentation을 실습했다.실습 코드는 제외하고 수업에서 배운 핵심 개념을 중심으로 정리하려고 한다. 전체적..

긍정 확언나는 나를 있는 그대로 사랑한다.1. 오늘 배운 내용Day 16에서는 컴퓨터 비전(Computer Vision)의 주요 문제 영역과 CNN(Convolutional Neural Network)의 기본 구조를 학습했다.먼저 이미지 분류, 객체 탐지, 얼굴 인식, OCR과 이미지 분할 등 컴퓨터 비전이 해결하는 다양한 문제를 살펴봤다.이후 컴퓨터가 이미지를 숫자로 인식하는 방식과 이미지 인식이 어려운 이유를 알아봤다.다음으로 합성곱, 필터, Feature Map, Stride, Padding, Pooling과 Dropout을 공부하고 CNN이 이미지에서 특징을 추출해 분류하는 전체적인 흐름을 확인했다.수업 후에는 흑백 이미지의 다중 분류와 컬러 이미지의 이진 분류 실습을 진행했다.실습 코드는 제외하..

긍정 확언1. 오늘 배운 내용Day 15에서는 머신러닝에서 한 단계 더 나아가 딥러닝과 DNN(Deep Neural Network)의 기본 구조를 학습했다.먼저 딥러닝의 개념과 인공신경망이 데이터를 학습하는 원리를 살펴봤다.이어서 신경망 연산의 기반이 되는 NumPy 배열과 행렬 연산을 복습하고 TensorFlow와 Keras를 이용해 신경망 모델을 구성하고 학습시키는 전체적인 흐름을 공부했다.수업 이후에는 배운 내용을 바탕으로 실습을 진행했지만 이번 글에서는 코드보다 개념과 학습 흐름을 중심으로 정리하려고 한다.전체적인 학습 순서는 다음과 같다.딥러닝 개론 → 인공신경망과 퍼셉트론 → 가중치와 편향 → 활성화 함수 → 순전파와 손실함수→ 경사하강법과 역전파 → NumPy 배열·행렬 연산 → Tensor..

긍정 확언나는 내가 가진 모든 것에 감사한다.1. 오늘 진행한 내용Day 14에서는 전날 진행한 전기차 에너지 소비량 프로젝트를 이어서 모델 학습, 성능 비교, 하이퍼파라미터 튜닝, 최종 모델 해석과 발표 자료 준비까지 진행했다.프로젝트에서 해결하려는 문제는 주행, 환경 조건에 따른 전기차의 100km당 에너지 소비량을 예측하는 것이었다.예측 결과는 차량 제조사의 내비게이션에서 후보 경로별 에너지 비용을 계산하는 데 활용하는 방향으로 설정했다.전체적인 진행 흐름은 다음과 같다.전처리 및 데이터 분할 → 5-Fold 교차검증 → 회귀 모델 학습 → GridSearchCV 튜닝→ 모델 성능 비교 → 최종 모델 선정 → 특성 중요도와 잔차 분석 → 경로별 에너지 소비량 계산→ 분석 결과 발표 자료 제작 → 머..

긍정 확언지금 하는 프로젝트 모두 잘 완성해서 미래에 도움이 된다.1. 오늘 배운 내용Day 13에서는 지난 시간에 배운 Random Forest와 XGBoost 같은 모델을 어떻게 검증하고 조정할지 공부했다.Train·Validation·Test 데이터의 역할, K-Fold 교차검증, 하이퍼파라미터 튜닝과 GridSearchCV의 흐름을 정리했다. 수업 이후에는 전기차 에너지 소비량 데이터를 활용한 프로젝트의 기획을 구체화하고 EDA와 전처리를 진행하면서 앞으로의 모델링 방향을 세웠다.전체적인 진행 흐름은 다음과 같다.Train·Validation·Test 구분 → K-Fold 교차검증 → 하이퍼파라미터 탐색 방법 → GridSearchCV→ 전기차 에너지 프로젝트 기획 → 데이터 품질 점검 → EDA..

긍정 확언나는 여러 면에서 훌륭한 사람이다.1. 오늘 배운 내용Day 12에서는 여러 모델의 예측을 결합하는 앙상블 학습(Ensemble Learning)을 공부했다.먼저 보팅, 배깅, 부스팅 등 앙상블의 주요 유형을 살펴보고 결정 트리를 기반으로 하는 Random Forest와 XGBoost의 학습 방식을 비교했다.이후 호주 날씨 데이터를 이용해 내일 비가 올지를 예측하면서 결측치 처리, One-Hot Encoding, 이상치 제거와 모델 성능 비교까지 실습했다. 전체적인 학습 흐름은 다음과 같다.앙상블 학습 → Voting과 Bagging → Random Forest → 결측치 처리 → One-Hot Encoding→ 날씨 데이터 분류 실습 → Outlier 제거 → Boosting과 GBM → XG..

긍정 확언나에게는 모든 문제를 해결할 수 있는 지혜가 있다.1. 오늘 배운 내용Day 11에서는 Day 10에서 배운 회귀모델에 이어 지도학습의 두 번째 큰 영역인 분류(Classification)를 학습했다.이번 강의의 핵심은 단순히 분류 알고리즘을 사용하는 것에서 끝나는 것이 아니라 분류모델이 어떤 방식으로 결과를 예측하는지 이해하고 그 결과를 어떤 기준으로 평가해야 하는지까지 살펴보는 것이었다.강의에서는 로지스틱 회귀와 결정 트리를 시작으로 분류모델의 성능평가 방법을 학습했고 이후 SVM, 나이브 베이즈, KNN 등 다양한 분류 알고리즘의 특징도 살펴봤다.분류 파트의 주요 목표로는 분류모델 생성, 모델 저장, Confusion Matrix 해석, 정확도·정밀도·재현율·F1-score 등을 이용한 평..

1. 오늘 배운 내용Day 10부터는 지금까지 배운 Python, 통계, NumPy, Pandas, 데이터 시각화를 바탕으로 본격적인 머신러닝 학습에 들어갔다.먼저 머신러닝의 전체적인 개념과 학습 방법을 살펴보고 Feature, Target, 학습 데이터와 테스트 데이터처럼 앞으로 계속 사용하게 될 기본 용어를 정리했다.이후 Scikit-learn을 이용해 머신러닝 모델을 만드는 전체 흐름을 학습했다.강의에서는 지도학습을 회귀와 분류로 구분하고, 이후 앙상블과 모델 배포까지 이어지는 전체 머신러닝 학습 과정을 함께 소개했다.그다음에는 지도학습의 첫 번째 주제로 회귀(Regression)를 공부했다.Linear Regression의 기본 원리부터 모델의 오차를 평가하는 MSE, RMSE, MAE, R²를 ..