🌍 Hello World :D

CVPR 2023. [Paper]Nataniel Ruiz, Yuanzhen Li, Varun Jampani, Yael Pritch, Michael Rubinstein, Kfir AbermanGoogle Research | Boston University25 Aug 2022 AbstractFine-tunning 이란?기존에 학습된 모델(Pretrained model)을 기반으로 추가적으로 새로운 데이터셋 학습을 통해 모델의 파라미터를 미세조정하는 것이다. Latent Diffusion 모델에서 학습가능한 파라미터의 영역은 크게 텍스트 인코더와 U-net 영역이 있으며, 드림부스는 두가지 파라미터 모두 학습한다. 본 논문에서는 text-to-image diffusion model의 "개인화"를 위한 새로운 ..

Martin Arjovsky : https://arxiv.org/abs/1701.07875v3 Wasserstein GAN We introduce a new algorithm named WGAN, an alternative to traditional GAN training. In this new model, we show that we can improve the stability of learning, get rid of problems like mode collapse, and provide meaningful learning curves useful for debuggi arxiv.org 1. Introduction Unsupervised Learning은 데이터 (x)의 확률 분포 ( P(x))를..

Phillip Isola 1. Introduction Image-to-Image Translation은 이미지를 입력으로 받아서 또 다른 이미지를 출력으로 반환하는 Task를 뜻한다. 본 논문은 Image-to-Image Translation에 적합한 cGAN을 기반으로하며 다양한 Task에서 좋은 결과를 보이는 프레임워크 pix2pix를 다룬다. 자동 언어 번역이 가능한 것처럼 자동 image-to-image 변환 또한 충분한 학습 데이터가 주어진다면 한 장면의 표현을 다른 장면으로 변환하는 작업으로 정의할 수 있다. DCGAN과 다른점은 Generator(G)의 input이 random vector가 아니라 condition input 라는 점이다. 본 논문에서 우리의 목표는 이러한 모든 문제에 대한..

Alec Radford & Luke Metz DCGAN : UNSUPERVISED REPRESENTATION LEARNINGWITH DEEP CONVOLUTIONALGENERATIVE ADVERSARIAL NETWORKS INTRODUCTION GANs have been known to be unstable to train, often resulting in generators that produce nonsensical outputs. CNN을 활용한 비지도학습으로 지도학습과 비지도학습의 차이를 줄인다. CNN을 활용하여 안정적인 train을 가능하게 했으며 이를 DCGAN이라고 한다. 판별기를 이미지 분류기 작업으로 사용하였고, 다른 비지도학습 알고리즘들에 경쟁적인 성능을 보여준다. DCGAN에 의해..

Ian Goodfellow$(.et al)$ Abstract 적대적 프로세스를 통해 생성모델을 추정하는 새로운 프레임워크를 제안한다. 생성모델 G와 판별모델 D 두가지 모델을 동시에 훈련한다. GAN? GAN은 두 개의 다른 신경망 간의 적대적인 관계로 대립(Adversarial)하며 서로의 성능을 점차 개선해 나가는 것 생성 모델 G : 데이터의 분포를 학습하는 모델 판별 모델 D : 이미지를 실제(training data) 또는 가짜(generated data)인지 분류하는 모델 Generator는 훈련 데이터의 분포를 학습하여, 임의의 노이즈를 입력으로 받아 신경망을 사용하여 이미지를 생성함. Introduction 딥러닝의 가장 두드러진 성공은 high-dimensional, rich sensor..

ㅇ 교수 : 서울대학교 이상학 교수 ㅇ 학습목표 본 모듈은 인과성에 대해 추론하고 경험적 데이터를 사용하여 인과 관계를 결정하는 방법을 익힘으로써 데이터를 생성한 프로세스에 대해 만들어야 하는 필수 가정과 이러한 가정이 합리적인지 평가하는 방법, 마지막으로 추정되는 양을 해석하는 방법에 대해 학습하고자 합니다. Part 1. 인과성에 대한 소개 및 인과적 추론을 위한 기본 개념 - causal discovery : 데이터로부터 인과효과와 인과관계를 계산 - 데이터는 상관성만 가지고 있는데, 우리가 알고자 하는 것은 인과효과이다. - 이번 강의는 인과효과를 계산하기 위한 기본적 프레임워크, 인과효과를 계산하는 방법론, 인과적 관점으로 문제를 바라보는 방법에 대해 알 수 있다. - 베이지안 네트워크에 대한 ..

ㅇ 교수 : 이화여자대학교 강제원 교수 ㅇ 학습목표 Machine Learning의 한 부류인 지도학습(Supervised Learning)에 대한 기본 개념과 regression/classification의 목적 및 차이점에 대해 이해하고, 다양한 모델 및 방법론(linear and nonlinear regression, classification, ensemble methods, kernel methods 등)을 통해 언제 어떤 모델을 사용해야 하는지, 왜 사용하는지, 모델 성능을 향상시키는 방법을 학습하게 됩니다. Part 1. SL Foundation - 지도학습 : 분류 / 회귀 가 있음 - error를 계산해서 손실함수 loss function cost function으로 부름 - square..

ㅇ 교수 : 서울대학교 김건희 ㅇ 학습목표 : 본 모듈은 Machine Learning의 기본 개념에 대한 학습 과정입니다. ML이란 무엇인지, Overfitting과 Underfitting의 개념, 최근 많은 관심을 받고 있는 초거대 언어모델에 대해 학습하게 됩니다. Part 1. Introduction to Machine Learning - 기계학습 : 인공지능의 한 분야 (인공지능-기계학습-딥러닝: 기계학습 중 신경망 레이어가 많은 분야) - 허버트 사이먼 : 의사결정에 관련된 연구 / 아서 사무엘 : Game Tree 알파-베타 prunning, 체스프로그램 - Tom Mitchell's definition : Task(어떤 작업), Performance Measure(성능 지표), Experie..

ㅇ 교수 : KAIST 신진우 교수 ㅇ 학습목표 본 모듈은 AI기술을 이해하기 위한 바탕이 되는 수학적 지식을 학습하기 위한 과정입니다. 이에 관하여 행렬 분해, 블록 최적화, 주성분 분석 등 데이터를 다루기 위한 방법을 학습하게 됩니다. 공부내용: Part 1. Matrix Decomposition - 행렬 관계: det(AB) = det(A)det(B)곱셈 / Trace / Eigenvalue&Eigenvector / Diagonal Part 2. Convex Optimization Part 3. PCA 주성분분석 - 데이터 축소 알고리즘

공부내용 : Part 1. 데이터 분석과 AI학습에서 유의할 점 Part 2. AI Ethics - 일본 훗카이도 대학의 인공지능이 쓴 소설이 예선 통과 - 인공지능 법인격의 장단점 (간단한 책임의 문제가 손쉽게 해결 vs 법적 처벌의 도피로 악용) - Moral Machine experiment : 트롤리 문제 - 로봇을 학대하지 않을 권리 Part 3. 세계적인 데이터 과학자가 되는 방법 - 가짜 뉴스 탐지 기술 - 위성영상 딥러닝 분석 -> 빈곤지역 예측 및 녹지 계산(행복지수 연구) 배운점: 인공지능 개발자로서 윤리문제에 대해 더 생각을 많이 하게되었다.