KM-Hana

* 크롬으로 보시는 걸 추천드립니다 * 2. 딥러닝을 위한, Active Learning - Core-set : kmhana.tistory.com/6?category=838050 - Loss for Active Learning : kmhana.tistory.com/10?category=838050 - Discriminative Active Learning(DAL) : kmhana.tistory.com/12 파트가 끝나고, 오늘은 Active Learning에서 조금은 편한 주제로 작성하려고 합니다. 서론 딥러닝을 개발하다 보면, 필수적을 맞닥뜨리는 문제는 1. 데이터를 어떻게 얼마나 획득을 하는가? 2. 어떻게 레이블링 할 것인가? - ( 누가? 얼마나? 비용은 누가?) 라는 문제와 부딪힙니다. 딥러닝을..

* 크롬으로 보시는걸 추천드립니다 * kmhana.tistory.com/4?category=838050 중 2. Active Learning을 위한, 딥러닝 - Core-set - Loss for Active Learning - Discriminative Active Learning(DAL) Discriminative Active Learning에 대해서 소개하고자 합니다. arxiv.org/pdf/1907.06347.pdf ※ 저자가 설명해주는 블로그입니다. dsgissin.github.io/DiscriminativeActiveLearning/ 굉장히 잘 정리해주었습니다. 다양한 Active Learning에 대한 인사이트를 얻을 수 있으므로 AL에 대해서 공부하시는 분들께 꼭 추천드립니다. 종합 : ..

kmhana.tistory.com/4?category=838050 Active Learning 이란 - 기본 dsgissin.github.io/DiscriminativeActiveLearning/about/ About An introduction to the active learning framework, from classical algorithms to state of the art methods for neural networks. A new method.. kmhana.tistory.com 을 우선 보시는걸 추천드립니다. 2. Active Learning을 위한, 딥러닝 - Core-set - Loss for Active Learning - Discriminative Active Learning ..

kmhana.tistory.com/4?category=838050 Active Learning 이란 - 기본 dsgissin.github.io/DiscriminativeActiveLearning/about/ About An introduction to the active learning framework, from classical algorithms to state of the art methods for neural networks. A new method.. kmhana.tistory.com 을 우선 보시는 걸 추천드립니다. 2. Active Learning을 위한, 딥러닝 - Core-set - Loss for Active Learning - Discriminative Active Learning..

dsgissin.github.io/DiscriminativeActiveLearning/about/ About An introduction to the active learning framework, from classical algorithms to state of the art methods for neural networks. A new method called “Discriminative Active Learning” is introduced and discussed. dsgissin.github.io 현재까지 본 Active Learning 사이트 중 가장 잘 설명해두었다. Discriminative Active Learning의 저자인데, 기회가 된다면 후에 논문요약을 하고자 한다. 딥러닝을 활..

'Deep Learning을 실산업에 적용할 때 가장 큰 문제가 무엇일까?' 라는 질문에 주저없이 답변 드릴 수 있다. 첫번째도, 데이터와 레이블링 두번째도, 데이터와 레이블링 세번째도, 데이터와 레이블링 였다. 데이터를 수집하는 것도 수 많은 비용이 발생되고, 그 데이터를 레이블링하는데 수 많은 장애물이 발생된다. 1) 누가 레이블링 할 것인가? 2) 비용은 누가 지불할 것인가? 3) 얼마나 레이블링을 해야되는건가? 이러한 고객과 딥러닝 개발자, 사업부서간의 줄다리기 끝에서, 고객은 AI에 대해서 크게 실망하며, 'AI를 하겠다'는 생각이 잘 못되었음을 깨닫게 된다. 딥러닝 개발자, AI 개발자로서의 적은 데이터로 적은 레이블링을 통해, 모델을 개발해야함을 절감했으며 이를 해결하기위한 방법론들을 작성해..