지속가능티끌/Data.Math.Phys ( 70 ) Support Vector Machine. SVM Support Vector : 구분 경계에서 가장 가까운 점까지의 벡터. Support Vector Machine : 상태공간에서 Support Vector 길이 최대화 되도록 구분경계를 찾는 알고리듬. 선형분리 위한 차원높이기 : 상태공간에서 선형분리 되지 않는 경우 상태공간차원 높여서 선형분리 가능하도록 시도해볼 수 있다.선형분리 : 2차원 상태공간에서는 직선(1차원) 의미, 3차원 상태공간에서는 평면(2차원) 의미. 즉, N차원공간에서 (N-1)차원 으로 분리하는것.커널함수 : 차원높이기 연산부하 증가문제 해결 위하여 도입되는 함수. 위키백과 : https://ko.wikipedia.org/wiki/%EC%84%9C%ED%8F%AC%ED%8A%B8_%EB%B2%A1%ED%84%B0_%EB%A8%B8.. 2016. 10. 8. Dlib. Clean C++11 Deep Learning API Dlib. 개요 특징.- 알고리듬 및 기능. Machine Learning AlgorithmsDeep LearningConventional SMO based Support Vector Machines for classification and regressionReduced-rank methods for large-scale classification and regressionRelevance vector machines for classification and regressionGeneral purpose multiclass classification toolsA Multiclass SVMA tool for solving the optimization problem associated with struc.. 2016. 9. 14. MLPACK C++ 머신러닝 라이브러리. MLPACK 개요. 머신러닝 알고리듬들 C++ library, 특징. -제공알고리듬.Collaborative FilteringDensity Estimation TreesEuclidean Minimum Spanning TreesFast Exact Max-Kernel Search (FastMKS)Gaussian Mixture Models (GMMs)Hidden Markov Models (HMMs)Kernel Principal Component Analysis (KPCA)K-Means ClusteringLeast-Angle Regression (LARS/LASSO)Local Coordinate CodingLocality-Sensitive Hashing (LSH)Logistic regressionNaive Ba.. 2016. 9. 14. C++ AMP 기반 Deep Learning Library 개요. C++ AMP 기반 Deep Learning Library. 현재(2016년 9월14일) 시점 공개되어 검색된 것 중에서는 아래 1개 항목이 유일함. 1. https://github.com/dcatcher9/DeepLearning ( 본 라이브러리는 GitHub 에서의 Deep Learning 100선 중 1개임) Why C++ AMP? - C++AMP 이용하면, 현재 시점 가장 간단한 셋팅(셋팅이랄것도 없음.)으로 GPGPU 가능. - 다른 GPGPU 수단들은 셋팅에 많은 시간 소요됨과 동시에 안정/지속가능한 셋팅이 달성되기엔 불안정 구성요소들. 정작 GPU돌려서 계산 한번 하고자 하는데 허송세월 하게 만들고 있음. - GPGPU API들 보기 -> http://igotit.tistory.com.. 2016. 9. 14. ACCORD.NET. C# 머신러닝 프레임웍. ACCORD.NET 개요. 주요특징. Classification - SVM, Neural Net, Deep Neural Net, ..Regression - Multiple linear regression,...Clustering - K-means, Restricted Boltzman Machine,..Distributions - Normal, Cauchy, Poission, ...Hypothesis Tests -More Than 35 statistical tests,...Image, Audio, Vision 신호처리기능내장. - Filter, RealTime face detection, tracking, 전산 특징. - C# 으로 개발됨.- 환경구축 간단.- 풍부한 샘플예제들제공. 메인사이트 : http.. 2016. 9. 14. Encog 개요. C# 지원 머신러닝 프레임웍. Encog 개요 Encog : C# 지원 머신러닝 프레임웍. Encog 지원 알고리듬. - Support Vector Machine- Artificial Neural Networks- Bayesian Networks - Hidden Markov Models- Genetic Algorithm Encog 전산 특징.- C# 지원.- 멀티스레드 , 멀티코아, GPU 가능.- GUI workbench 제공. Encog 사이트. Encog 메인사이트 : http://www.heatonresearch.com/encog/Encog C# 사용자 가이드(pdf) : https://s3.amazonaws.com/heatonresearch-books/free/Encog3CS-User.pdfEncog for C# : http.. 2016. 9. 14. 딥러닝 , 신경망 소트프웨어 비교. 개요 딥러닝 , 신경망 소트트웨어들 비교정보. 기타 특징정리. 1, 위키 Comparison of deep learning software . https://en.wikipedia.org/wiki/Comparison_of_deep_learning_software 2. 머신러닝 프레임워크 13종 http://www.ciokorea.com/t/13934/28693/28347?slide=8 3. Comparison of Neural Network Simulators https://grey.colorado.edu/emergent/index.php/Comparison_of_Neural_Network_Simulators 4. 언어별 립러닝 라이브러리 정리. http://www.teglor.com/b/deep-lea.. 2016. 8. 21. FANN. Fast Artificial Neural Net. 라이브러리, 오픈소스 (C). 개요 FANN : Fast Artificail Neural Net 라이브러리, 오픈소스 ( C 언어) 주요특징.1. C로 작성된 DLL 라이브러리, 오픈소스.- 즉, DLL 도입하여 코딩해도되고, 소스를 자신 개발 중 코드에 소스 복사해서 사용해도 됨.. 2. Multilayer ANN 3. Backpropagation training (RPROP, Quickprop, Batch, Incremental)4. 빠르다(여타 라이브러리 대비 150배). 5. 도입 활용 용이. (여타 다른 프레임웍등의 종속성이 없다.)6. GUI툴 S/W 제공되어 간단 기능확인용이. : http://leenissen.dk/fann/wp/graphical-interface/ FANN 주 사이트 : http://leenissen... 2016. 8. 19. 피보나치 (Fibonacci) 수열. 개요 피보나치 수 : 0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, 377, 610, 987,...... 피보나치 수 규칙 : 0, 1, 에서 출발하여 다음 숫자는 앞의 2개 숫자 합으로 생성. 식으로 표현하면, 피보나치 수 예. 자연에서 보는 예 : 꽃잎 수, 나무가지 확장방식, 솔방울 나선, 달팽이 껍질 나선, 해바라기 씨앗 배열 나선 등 자연계에서의 나선류 모두.인공물에서 보는 예 : 피아노건반 - 검은색 건반 2개, 3개 그룹, 검은색건반5개, 흰색건반8개, 13옥타브. 미술작품, 건축물, 음악의 흐름에서의 비율. 피보나치 수열과 황금비 : 수열의 큰 수로 갈수록 인접 2개 숫자 비율은 황금비 1:1.6180339.. 로 수렴. 예: 21 : 34 = .. 2016. 8. 4. 웹기반 FIR, IIR 필터 계산 툴. FIR 필터 주소 : http://t-filter.engineerjs.com/ IIR 필터 주소 : http://engineerjs.com/?sidebar=docs/iir.html 스크린 샷. ///768. 2016. 6. 6. IIR 필터. 스텝 응답 실측. 입력신호. 구형파 2Hz. IIR LPF 8차 버터워스 3dB 55Hz 상기 입력신호에 LPF 적용한 출력파형은 아래처럼 스텝부분이 지글지글해짐. IIR 2차 Band Stop 필터. 3dB 55Hz, 65Hz 입력신호에 Band Stop 필터적용한 출력파형. IIR 2차 Band Stop 필터. 3dB 59Hz, 61Hz 입력신호에 Band Stop 필터적용한 출력파형. IIR 2차 Band Stop 필터. 3dB 59.5Hz, 60.5Hz 입력신호에 Band Stop 필터적용한 출력파형. ///760. 2016. 5. 24. 딥러닝 신경망과 기존 신경망 본질적 차이점. 개요 - 립러닝 신경망과 종래의 신경망 본질적 차이점. 구글 알파고 등 최근(2016년) 회자되는 "딥러닝" 도 그 기술적 근원은 "인공신경망 (Artificial Neural Netwowk)" 을 골격으로 한다는 점에서는 종래의 인공신경망과 다를바 없다. "딥러닝" 이라는 용어가 사용되는 인공신경망이 종래의 인공신경망과 어떤 본질적 차이가 있는지 정리해둔다. "종래의 인공신경망" - 1943년 맥컬럭과 피츠의 형식뉴런모델 제안이후 부터 1960년 "단층퍼셉트론", 1976년 "다층 퍼셉트론" 그리고 이후 인공신경망 분야의 암흑기 ~2000년. 암흑기를 만든 원인중 Minsky와 Papert 의 저서 Perceptron 에서 퍼셉트론의 한계를 지적한것도 주요 원인이었음. 많은 연구자들이 인공신경망 분야에.. 2016. 3. 11. Exponential Smoothing (Exponential Moving Average, EMA), Exponential Smoothing - 정의. 용어 : EMA (Exponential Moving Average) 라는 용어로 더 많이 알려져 있다. 특히 금융 매매대상(주식, 선물등) 에서 EMA 많이 사용됨. 시계열 데이터의 평활(smoothing) 방법 중 하나로 exponential window 를 갖는 low pass filter 적용한 효과를 준다. 결과적으로 신호에서 고주파성분 제거된 평활처리. Formula. 정확한 주파수 기반의 Low Pass Filter 처럼 컷오프 주파수 개념이 있지 않기 때문에 대상 원시데이터에서 상기 formula 적용시 smoothing factor 값을 변경해보면서 의도하는 스무딩 결과가 나오는 것을 확인하면서 최종 smoothing factor 값 결정해.. 2016. 2. 27. Moving Average, LOWESS (LOESS) 적용 결과 비교. 녹색 : 원시데이터. 붉은색 : 원시데이터의 이동평균 - 과거 데이터 10개 이용. 파랑색 : 원시데이터의 LOWESS. 아래 챠트는 상기 챠트의 최대값 근처의 데이터 만을 LOEWSS 적용한 경우. LOWESS 피팅 커브는 상기 데이터열이 많은 경우와 달리 해당 구간에서의 원 파형의 모습을 더 잘 따라가면서 스무딩 처리 해주고 있다. ///678. 2016. 2. 26. Stochastic Process, Random Process 개요 - Stochastic Process. stochastic process (randon process)란 "시간적으로 랜덤한 값들이 보이는 행태" 의미. - 반대말 : deterministic process. Stochastic Process Wiki : https://en.wikipedia.org/wiki/Stochastic_process 개념이해 일반 자료. https://www.youtube.com/watch?v=TuTmC8aOQJE ///677. 2016. 2. 23. HMM (Hidden Markov Model) 개요. 개요. HMM - Hidden Markov Model Hidden Markov Model. 대상 시스템을 아래와 같은 방식으로 모델링 하는 것. 1. 대상 시스템은 측정가능한 것들의 state(상태)가 있고, 2. 대상 시스템은 상기1에 추가로, 측정 불가한 (Hidden) 것의 state가 있다고 가정 하고, 3. 상기1 측정량의 상태 변화와 상기2 Hidden State 를 연관 짓는다. Hidden state 가 측정가능한 state 로 반영되는 process(과정) 를 Hidden Markov Process 라고 한다. HMM 주활용 분야. - 시간적으로 변하는 시스템의 특징 패턴 인식류. - 음성인식, 필기인식, 동작인식등. Markov 가 누구? Andrey Markov. 러시아 수학자. 18.. 2016. 2. 23. 이전 1 2 3 4 다음
