1. 오늘 일정

1) 학습
2) 피어세션

2. 학습 내용

Deep Learning Basic

1강: Historical Review

What make you a good deep learner?

• Implementation Skills (Tensor Flor, Pytorch)
• Math Skills (Linear Algebra, Probability)
• Knowing a lot of recent Paper

Introduction

• AI, ML, DL의 차이?
  

• 딥러닝에서 중요 포인트

  • 데이터
  • 모델
  • 손실 함수
  • 알고리즘 (loss를 최소하기 위해서 파라미터를 조정하는..like SGD, ADAM 등)

Data

• 데이터는 풀어야할 문제의 유형에 의존한다.
  

Model

• 같은 데이터가 주어져도 모델에 따라 결과가 다르다.
  

Loss

• 모델을 어떻게 학습할지? parameter를 어떻게 업데이트 할지?
• Reression: $MSE = \cfrac{1}{N}\sum \limits_{i=1}^{N}\sum \limits_{d=1}^{D}(y_i^{(d)}-\hat{y_i}^{(d)})^2$
• Classification: $CE = -\cfrac{1}{N}\sum \limits_{i=1}^{N}\sum \limits_{d=1}^{D}y_i^{(d)}\log\hat{y_i}^{(d)}$
• Probabilistic: $MLE = \cfrac{1}{N}\sum \limits_{i=1}^{N}\sum \limits_{d=1}^{D}\log N(y_i^{(d)};\hat{y_i}^{(d)},1)$

Optimization

Historical Review

2012 - AlexNet

• 딥러닝이 실제로 성능을 발휘
  

2013 - DQN

• 강화학습
  

2014 - Endocer / Decoder

• 기계어 번역의 트렌드 변화
  

2014 - Adam Optimizer

2015 - GAN(Generative Adversarial Network)

2015 - Residual Networks

• 네트워크를 어느정도 깊게 쌓을 수 있음을 증명
  

2017 - Transformer

2018 - BERT

• 위키피디아 같은 다수의 데이터로 Pre-training 후 소수의 데이터로 Fine-Tuning
  

2019 - BIG Language Models

2020 - Self Supervised Learning

2강: 뉴럴 네트워크 - MLP (Multi-Layer Perceptron)

신경망(Neural Networks)

• 신경망은 동물의 뇌를 구성하는 생물학적 신경망에서 막연하게 영감을 받은 컴퓨팅 시스템이다. (비행기를 생각하면 쉬움)
• 신경망은 affine transformations(행렬 곱)과 비선형 연산이 반복적으로 일어나는 함수를 근사하는 모델이다.

Linear Neural Networks

• Data: $D = \{(x_i, y_i)\}_{i=1}^N$
• Model: $\hat{y}=wx+b$
• Loss: $loss = \cfrac{1}{N} \sum \limits_{i=1}^{N}(y_i-\hat{y_i})^2$

$\cfrac{\partial loss}{\partial w} = \cfrac{\partial}{\partial w}\cfrac{1}{N}\sum\limits_{i=1}^{N}(y_i-\hat{y_i})^2$

$\cfrac{\partial loss}{\partial b} = \cfrac{\partial}{\partial b}\cfrac{1}{N}\sum\limits_{i=1}^{N}(y_i-\hat{y_i})^2$

• 적절한 Stepsize를 잡는게 중요하다!
• 물론, 우리는 다수의 행렬 인풋, 아웃풋을 다룰 수 있다.
  • $y=W^T\text{x} +b$
  • stack을 더 쌓는다면?
  • $y=W_2^T\text{h} =W_2^TW_1^T\text{x}$
  • 표현력을 극대화하기 위해 활성화함수 추가
  • $y=W_2^T\text{h} =W_2^T\rho(W_1^T\text{x})$
• 활성화 함수
  

MLP (Multi-Layer Perceptron)

• $y=W_3^T\text{h}_2 =W_3^T\rho(W_2^T\text{h}_1)=W_3^T\rho(W_2^T\rho(W_1^{T}\text{x}))$

Data Viz

1-1강: Welcome to Visualization(OT)

데이터 시각화란?

데이터 시각화란 데이터를 그래픽 요소로 매핑하여 시각적으로 표현하는 것

• 시각화는 다양한 요소가 포함된 Task
  • 목적: 왜 시각화 하는가?
  • 독자: 시각화 결과는 누구를 대상으로 하는가?
  • 데이터: 어떤 데이터를 시각화하는가?
  • 스토리: 어떤 흐름으로 인사이트를 전달할 것인가?
  • 방법: 전달하고자 하는 내용에 맞게 효과적인 방법을 사용하는가?
  • 디자인: UI에서 만족스러운 디자인을 가지고 있는가?

1-2강: 시각화의 요소

1) 데이터 이해하기

• 데이터 시각화를 위해서는 데이터가 우선적으로 필요
• 시각화를 진행할 데이터
  • 데이터셋 관점 (global)
  • 개별 데이터의 관점 (local)
• 데이터들이 있는지, 어떤 내용을 전달할 수 있을지 살펴봅시다.

데이터셋의 종류 1

• 정형 데이터
  • 테이블 형태로 제공되는 데이터, 일반적으로 csv, tsv 파일로 제공
  • row가 데이터 1개 item
  • column은 attribute(feature)
  • 가장 쉽게 시각화할 수 있는 데이터셋
• 시계열 데이터
  • 시간 흐름에 따른 데이터
  • 기온, 주가 등 정형데이터와 음성, 비디오와 같은 비정형 데이터 존재
  • 시간 흐름에 따른 추세(Trend), 계절성(Seasonality), 주기성(Cycle) 등을 살핌
• 지리 데이터
  • 지도 정보와 보고자 하는 정보 간의 조화가 중요
• 관계형(네트워크) 데이터
  • 객체와 객체 간의 관계를 시각화
• 계층적 데이터
  • 관계 중에서도 포함관계가 분명한 데이터
• 다양한 비정형 데이터

데이터셋의 종류 2

• 수치형 (numerical)
  • 연속형 (continuous): 길이, 무게, 온도 등
  • 이산형 (discrete): 주사위 눈금, 사람 수 등
• 범주형 (categorical)
  • 명목형 (norminal): 혈액형, 종교 등
  • 순서형 (ordinal): 학년, 별점, 등급 등

마크와 채널

• 마크: 이미지에서 기본적인 graphical 요소 (점, 선, 면)
  
• 채널: 각 마크를 변경할 수 있는 요소들
  

전주의적 속성

• Pre-attentive Attribute
• 주의를 주지 않아도 인지하게 되는 요소
  • 시각적으로 다양한 전주의적 속성이 존재
• 동시에 사용하면 인지하기 어려움
  • 적절하게 사용할 때, 시각적 분리(visual popout)
    

1-3강: Python과 Matplotlib

Matplotlib를 쓰는 이유?

• Matplotlib는 Python에서 사용할 수 있는 시각화 라이브러리
• 현재 사용되고 있는 다양한 데이터 분석 및 머신러닝/딥러닝은 Python에서 이뤄지고 있음
• numpy와 scipy를 베이스로 하여 다양한 라이브러리와 호환성이 좋음
  • Scikit-Learn, PyTorch, Tensorflow
  • Pandas
• 다양한 시각화 방법론 제공
  • 막대그래프
  • 선그래프
  • 산점도
  • ETC

import

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

기본 Plot

# 기본 틀
fig = plt.figure()
plt.show()

# 서브 플롯 추가
flg = plt.figure()
ax = fig.add_subplot()
plt.show()

# figure사이즈 조절
flg = plt.figure(figsize=(12, 7))
ax = fig.add_subplot()
plt.show()

# 여러개 그리기
fig = plt.figure()
ax = fig.add_subplot(121)
ax = fig.add_subplot(122)
plt.show()

기본 예제

fig = plt.figure()
ax = fig.add_subplot()

x = [1, 2, 3]

plt.plot(x)
plt.show()

# 서브플롯 객체에 그리기
fig = plt.figure()

x1 = [1, 2, 3]
x2 = [3, 2, 1]

ax1 = fig.add_subplot(211) 
ax2 = fig.add_subplot(212) 

ax1.plot(x1) 
ax2.plot(x2)
plt.show()

# 한 서브플롯에 여러 개 그리기
fig = plt.figure()
ax = fig.add_subplot(111) 
# 3개의 그래프 동시에 그리기
ax.plot([1, 1, 1]) # 파랑
ax.plot([1, 2, 3]) # 주황
ax.plot([3, 3, 3]) # 초록

plt.show()

# 다른 종류 그래프 그리기
fig = plt.figure()
ax = fig.add_subplot(111) 

# 선그래프와 막대그래프 동시에 그리기 (색 명시해주어야 한다.)
ax.plot([1, 2, 3], [1, 2, 3]) 
ax.bar([1, 2, 3], [1, 2, 3]) 

plt.show()

색상 지정하기

fig = plt.figure()
ax = fig.add_subplot(111) 
# 3개의 그래프 동시에 그리기
ax.plot([1, 1, 1], color='r') # 한 글자로 정하는 색상
ax.plot([2, 2, 2], color='forestgreen') # color name
ax.plot([3, 3, 3], color='#000000') # hex code (BLACK)
plt.show()

텍스트 사용하기

fig = plt.figure()
ax = fig.add_subplot(111) 
ax.plot([1, 1, 1], label='1') 
ax.plot([2, 2, 2], label='2') 
ax.plot([3, 3, 3], label='3')
ax.set_title('Basic Plot')
ax.legend()
plt.show()

fig = plt.figure()
ax1 = fig.add_subplot(1, 2, 1)
ax2 = fig.add_subplot(1, 2, 2)

ax1.set_title('ax1')
ax2.set_title('ax2')

fig.suptitle('fig') # super

plt.show()

축 사용하기

fig = plt.figure()
ax = fig.add_subplot(111) 
ax.plot([1, 1, 1], label='1') 
ax.plot([2, 2, 2], label='2') 
ax.plot([3, 3, 3], label='3')


ax.set_title('Basic Plot')
ax.set_xticks([0, 1, 2])
ax.legend()
plt.show()

텍스트 추가하기

ax.text(x=1, y=2, s='This is Text')

ax.annotate(text='This is Annotate', xy=(1, 2),
           xytext=(1.2, 2.2), 
            arrowprops=dict(facecolor='black'),
           )

3. 피어 세션 정리

• 오늘 강의 (DL) 요약
• 지난주 선택과제 리뷰
• 앞으로 멘토링 등 어떻게 할지?

4. 과제 수행 과정

• 강의 내용과 같았음

5. 회고

• 오늘부터는 조금 널널했음
• 딥러닝 제대로 하기 시작하니 재밌다
• 새로운 한 주이다 화이팅!

6. 내일 할일

• 시각화 마무리
• optimizer 강의
• 필수 과제
• 수학 스터디 대비