디지털 노마드

머신러닝(ML)의 알고리즘 종류 지도학습 (Supervised Learning) -> 분류, 회귀, 예측 비지도학습 (Unsupervised Learning) -> 클러스터링, 차원축소 강화학습 (Reinforcement Learning) -> 알고리즘의 대표적인 종류 : Monte Carlo methods, Q-Learning, Policy Gradient methods 특정 알고리즘 -> 선형회귀, 로지스틱 회귀, 트리, 앙상블트리 (랜덤포레스트, 그래디언트 부스팅), 신경망 & 딥러닝을 사용하는 알고리즘, K평균, K모드, 가우시안혼합모델 클러스터링, DBSCAN, 계층적 군집화, PCA, SVD, LDA 회귀 (자주 까먹고 어려웠던 개념) 참고한 링크에서 "잔차(residual: 데이터의 실측치와..

1. Introduction 왜 deeper layer의 성능이 shallow layer 보다 좋지 않았다. overfitting 때문일까? -> 그것도 아니더라. 3.1. Residual Learning ) 실험을 해봤더니, H(x)가 x가 되는 것 보다 f(x)가 0이 되는게 더 쉽다. Residual == F(x) 변화량(Residual)만 학습해도 되도록 해보자 3.2. Identity Mapping by Shortcuts 몇 개의 스택 레이어마다 잔여 학습을 채택 Building block의 수식은 아래와 같다. y=F(x,{W_i})+x x : input vector y : output vector F(x,{w_i}) -> 학습됨을 보여줌 2 layers => F=W_2\sigma(W_1x) ..