Artificial Intelligence/Studying14 [Causal Inference] 01. Introduction to causality μ£Ό 1ν μ§ννλ μ€ν°λ λͺ¨μμμ ν¨κ» 곡λΆν΄λ³΄κΈ°λ‘ ν μλ£ μ 리 λͺ©μ μΌλ‘ κΈμ μμ±νλ€. μ€ν°λμλΆκ»μ μ’μ μλ£λ₯Ό μΆμ²ν΄μ£Όμ μ μ λ§ μ€λλ§μ μ§λν μ΄λ‘ 곡λΆλ₯Ό νκ² λ κ² κ°λ€. μλ¬Έ: https://github.com/CausalInferenceLab/Causal-Inference-with-Python λ¨Έμ λ¬λκ³Ό μΈκ³Όκ΄κ³ βΎ λ¨Έμ λ¬λμ μ격ν λ°μ΄λ리 μμμ μμ²λ μΌμ ν μ μμ§λ§, μ£Όμ΄μ§ λ°μ΄ν°κ° λͺ¨λΈμ΄ νμ΅ν κ²κ³Ό μ‘°κΈ λ€λ₯Ό κ²½μ° μ λλ‘ μλνμ§ μμ μ μμ βΎ λ¨Έμ λ¬λμ μκ΄κ΄κ³μ μμ‘΄νκΈ° λλ¬Έμ μΈκ³Όκ΄κ³(causation) μ νμ λ¬Έμ λ₯Ό μ λ€λ£¨μ§ λͺ»ν¨ μμ) "νΈν μ°μ μμ κ°κ²©μ λΉμκΈ°μΌ λ μ λ ΄νκ³ , μμκ° κ°μ₯ λ§κ³ νΈν μ΄ κ°λ μ°¨λ μ±μκΈ° μμ¦μλ κ°κ²©μ΄ λμ΅λλ€. ν΄λΉ λ°μ΄.. 2023. 4. 30. μ λμ 곡격 κ°λ λ° μ ν π¬ κ°μΈμ΄ μ¬λ¬ μλ£λ₯Ό μ°Έκ³ νλ©΄μ μ΄ν΄νλλ‘ μ 리ν λ΄μ©μ λλ€. μ€νλ μ³μ§ λͺ»ν μ λ³΄κ° μμ κ²½μ° λκΈλ‘ μλ €μ£ΌμΈμ π Adversarial Attack | μ λμ 곡격 ꡬκΈλ§ν΄λ³΄λκΉ μ λμ 곡격μ κ°λ μ ν¬κ² λ κ°μ§λ‘ μ μν μ μλ κ² κ°λ€. λ κ° λ€ λ§νκ³ μ νλ λ°λ λμΌν κ²μΌλ‘ μ΄ν΄νκ³ ννμ μ°¨μ΄κ° μλκΉ μΆλ€. 1. λ₯λ¬λ λͺ¨λΈμ΄ μμ λ μ£Όμ΄μ§ λ°μ΄ν°μ Adversarial perurbationμ μ μ©νμ¬ Adversarial exampleμ μμ±νκ³ , λͺ¨λΈμ΄ Adversarial exampleμ λν΄ μ€λΆλ₯λ₯Ό μΌμΌν€κ² νλ 곡격 λ°©λ². (KISA REPORT, μ 보ν΅μ κΈ°ννκ°μ μ λμ λ¨Έμ λ¬λ κΈ°μ λν₯μμ μΌλΆ λ°μ·) 2. λ¨Έμ λ¬λ μκ³ λ¦¬μ¦ μ체μ μ·¨μ½μ μ μν΄ μ λμ νκ²½μμ .. 2022. 1. 4. [Hands-on] Ch15 RNNκ³Ό CNNμ μ¬μ©ν΄ μνμ€ μ²λ¦¬νκΈ° 15.1 μν λ΄λ°κ³Ό μν μΈ΅ β½ RNNμ κ° νμ μ€ν tλ§λ€ X(t)μ μ΄μ νμ μ€ν μ μΆλ ₯μΈ Y(t-1)μ μ λ ₯μΌλ‘ λ°μ ⽠첫λ²μ§Έ νμ μ€ν μ μ΄μ μΆλ ₯μ΄ μκΈ° λλ¬Έμ λ³΄ν΅ 0μΌλ‘ μ€μ β½ μκ°μ μΆμΌλ‘ λνλΌ κ²½μ° μκ°μ λ°λΌ λ€νΈμν¬λ₯Ό νΌμ³€λ€κ³ νν νλμ μνμ λν μν μΈ΅μ μΆλ ₯ λ―Έλλ°°μΉμ μλ μ 체 μνμ λν μν λ΄λ° μΈ΅μ μΆλ ₯ 15.1.1 λ©λͺ¨λ¦¬ μ β½ λ©λͺ¨λ¦¬ μ (λλ μ ) : νμ μ€ν μ κ±Έμ³ μ΄λ€ μνλ₯Ό 보쑴νλ μ κ²½λ§μ κ΅¬μ± μμ β½ h(t) : νμ μ€ν tμμμ μ μ μν. κ·Έ νμ μ€ν μ μ λ ₯κ³Ό μ΄μ νμ μ€ν μ μνμ λν ν¨μ 15.1.2 μ λ ₯κ³Ό μΆλ ₯ μνμ€ 1) μνμ€-ν¬-μνμ€ λ€νΈμν¬ : νλμ μ λ ₯ μνμ€, νλμ μΆλ ₯ μνμ€(λ€νΈμν¬ μ μ²΄λ‘ λ³΄λ©΄ μ¬λ¬ κ°μ.. 2021. 8. 18. [Hands-on] Ch18 κ°ν νμ΅(Reinforcement Learning) ꡬ쑰 κ°λ μ μ μΈ νκ²½μμ νμ΅μ μ§ννλ μ§λ/λΉμ§λνμ΅κ³Ό λ¬λ¦¬, μ΄λ€ νκ²½ μμμ μ μλ 주체(agent)κ° νμ¬μ μν(state)λ₯Ό κ΄μ°°νμ¬ μ νν μ μλ νλ(action)λ€ μ€μμ κ°μ₯ μ΅λμ 보μ(reward)μ κ°μ Έλ€μ£Όλμ§ νλμ νμ΅νλ κ² 18.1 보μμ μ΅μ ννκΈ° μν νμ΅ μμ΄μ νΈλ 보μμ μ₯κΈ°κ° κΈ°λμΉλ₯Ό μ΅λλ‘ λ§λλ νλμ νμ΅νλ κ²μ λͺ©μ μΌλ‘ ν¨ 18.2 μ μ± νμ 1) μ μ± μ κ°λ β½ μμ΄μ νΈκ° νλμ κ²°μ νκΈ° μν΄ μ¬μ©νλ μκ³ λ¦¬μ¦ β½ μμ΄μ νΈκ° μ΄λ€ μνμμ νλμ μ·¨νκ² λ λ μνμ λ§κ² μ·¨ν μ μλ νλμ μ°κ²°ν΄ μ£Όλ ν¨μ 2) νλ₯ μ μ μ± β½ μ΄λ€ μνμ λν νλλ€μ νλ₯ λΆν¬λ₯Ό λ°ν 3) μ μ μκ³ λ¦¬μ¦ β½ μ μμμ‘΄ μ΄λ‘ μ κΈ°λ°μΌλ‘ ν μ΅μ ν κΈ°λ² β½ λΆλͺ¨μ .. 2021. 8. 9. [Hands-on] Ch17-9 (2) GAN λͺ¨λΈ DCGAN κΉμ ν©μ±κ³±(Deep Convolution) μΈ΅μ κΈ°λ°μΌλ‘ ν° μ΄λ―Έμ§λ₯Ό μμ±νκΈ° μν GAN 1) Guideline β½ νλ³μμ νλ§ μΈ΅ → stride convolutionμΌλ‘ κ΅μ²΄ β½ μμ±μμ νλ§ μΈ΅ → fractional-strided convolutionμΌλ‘ κ΅μ²΄ β½ μμ±μμ μΆλ ₯μΈ΅κ³Ό νλ³μμ μ λ ₯μΈ΅μ μ μΈν λͺ¨λ μΈ΅μ Batch Normalization μ μ© β½ μΈ΅μ κΉκ² μκΈ° μν΄ μμ μ°κ²° μλμΈ΅ μ κ±° β½ tanh ν¨μλ₯Ό μ¬μ©ν΄μΌ νλ μΆλ ₯μΈ΅μ μ μΈνκ³ μμ±μμ λͺ¨λ μΈ΅μ ReLU νμ±ν ν¨μ μ μ© β½ νλ³μμ λͺ¨λ μΈ΅μ LeakyReLU νμ±ν ν¨μ μ¬μ© 2) νκ³ DCGANμΌλ‘ λ§€μ° ν° μ΄λ―Έμ§λ₯Ό μμ±ν κ²½μ° νΉμ§μ ꡬλΆλμ§λ§ μ λ°μ μΌλ‘ μΌκ΄μ± μλ μ΄λ―Έμ§λ₯Ό μ»μ κ°λ₯μ±μ΄ λμ.. 2021. 8. 2. [Hands-on] Ch17-9 (1) μμ±μ μ λ μ κ²½λ§ μμ±μ(Generator) λλ€ν λΆν¬(μΌλ°μ μΌλ‘ κ°μ°μμ λΆν¬)λ₯Ό μ λ ₯ λ°κ³ μλ‘μ΄ λ°μ΄ν° μΈμ€ν΄μ€ μμ±. λ³μ΄ν μ€ν μΈμ½λμ λμ½λμ κ°μ κΈ°λ₯μ μ 곡νμ§λ§ νλ ¨ λ°©μμ΄ ν¬κ² λ€λ₯΄λ€. νλ³μ(Discriminator) μμ±μλ‘λΆν° μ»μ κ°μ§ λ°μ΄ν°λ νλ ¨ μΈνΈμμ μΆμΆν μ§μ§ λ°μ΄ν°λ₯Ό μ λ ₯μΌλ‘ λ°μ μ λ ₯λ λ°μ΄ν°κ° μ§μ§μΈμ§ κ°μ§μΈμ§ ꡬλ³νλ€. μλ λ°©μ νλ³μκ° λ μ΄μ κ°μ§λ‘ νμ νμ§ μλ ν©μ± λ°μ΄ν°λ₯Ό μμ±μκ° μμ±ν μ μμ λκΉμ§, μμ±μμ κ°λ³μλ μλ‘ κ²½μνλ©΄μ νλ ¨νκ² λλ€. νλ ¨μ μ±κ³΅μ μΌλ‘ λ§μΉλ©΄ μμ±μκ° μμ±ν λ°μ΄ν°λ‘ μλ‘μ΄ ν©μ± λ°μ΄ν°λ₯Ό λ§λ€μ΄μ λ€λ₯Έ μ¬μΈ΅ μ κ²½λ§μ μ λ ₯μΌλ‘ μ¬μ©ν μλ μλ€. μΆμ²: https://kr.mathworks.com/ νλ ¨ λ°©μ λͺ©νκ° λ€λ₯Έ λ λ€νΈμ.. 2021. 7. 16. μ΄μ 1 2 3 λ€μ