본문 바로가기
  • 컴공생의 공부 일기
  • 공부보단 일기에 가까운 것 같은
  • 블로그

전체 글1217

정보통신공학 문제 정리 보호되어 있는 글 입니다. 2025. 3. 26.
✖️ 확률과 통계학 : CHAP 3. 확률분포 // 확률변수와 확률분포, 이산확률분포, 연속확률분포 CHAP 3. 확률분포  ✖️ 확률변수와 확률분포 ✅ 확률변수 (Random Variable)• 의미:통계적 시행(예: 동전 던지기, 주사위 던지기 등)의 결과를 수치화한 변수→ 이산값, 연속값, 범주형 값 모두 가능 • 왜 “변수”인가?시행 결과는 무작위(랜덤)로 변하므로 “확률변수”라고 부름 • 예시동전을 3번 던지는 시행의 표본공간:{HHH, HHT, HTH, THH, HTT, THT, TTH, TTT}→ 이 중 H의 개수를 변수 X로 설정:  X ∈ {0, 1, 2, 3} • 분류유형설명예시이산 확률변수셀 수 있는 값주사위 눈, 불량품 수연속 확률변수실수 범위의 값키, 몸무게, 시간범주형 확률변수명목적 구분선호 색상, 혈액형✅ 확률분포 (Probability Distribution)• 의미:확률변.. 2025. 3. 26.
✖️ 확률과 통계학 : CHAP 2. 확률 // 베이즈 정리 CHAP 2. 확률 ✖️ 베이즈 정리 🔸 베이즈 정리(Bayes Rule) 공식📌 예제 1: 호흡기 질환의 원인이 대기오염일 확률 ( 2개 분할) 🔹 문제 조건 🔹 베이즈 정리 적용 ✅ 정답: 약 92.3%호흡기 질환자가 있을 때 그 원인이 대기오염일 확률은 약 92.3%📌 예제 2: 사고를 내지 않은 사람이 사고 위험률이 높음일 확률 ( 3개 분할) 🔹 문제 조건 🔹 베이즈 정리 적용✅ 정답: 약 25.5%→ 사고를 내지 않은 사람이 위험률 ‘높음’일 확률은 약 25.5%📌 예제 3: 양성 예측도 문제 ⭐️자가검사키트에서 어떤 지표가 더 중요?양성 예측도(PPV)왜?일반 사용자에게 중요한 건 “양성 진단 = 진짜 감염?” 여부이기 때문 🔹 문제 조건 🔹 양성 예측도 (PPV: Posi.. 2025. 3. 26.
❇️ Generative Adversarial Nets : 발표 정리 보호되어 있는 글 입니다. 2025. 3. 25.
🧠 multi-model AI 공부 계획 이형준 굣님과 면담 날짜 잡기 ✅황호성 굣님과 면담 날짜 잡기지웅배 굣님과 면담 날짜 잡기(제안서 제출이 4/11까지라 얼른 한번 봬야 할 듯)경희대 아이돌 문용재 교수님 문답날짜 기초 → 유명 논문 → 응용 연구 논문 흐름✅ 1. 멀티모달의 개념을 잡는 기초 논문 “Multimodal Machine Learning: A Survey and Taxonomy” (Baltrušaitis et al., 2018)📎 링크: https://arxiv.org/abs/1705.09406 - 멀티모달 머신러닝의 정의, 문제 유형 (representation, translation, alignment, fusion, co-learning), 데이터 종류(LiDAR, 텍스트, 이미지 등)까지 전반적으로 다룸- 입문 논문.. 2025. 3. 25.
🛰️ 천문우주과학 팀원 합류 TODO[x] 🚨 윤용민 교수님 답장[x] 🚨 논문 읽기 (지웅배 교수님)[x] 🚨 지웅배 교수님께 받은 논문을 읽고 연락 드리기 ← 오늘!!!!!!!!!!!SPACEai 트랙 지원? 처리~ 3/23[x] 생성형 AI 공부 ( 3/24까지 리뷰 ) - 완전 상세[x] 천문학 연구자 모집[x] 이형준 교수님과 면담 일자 잡기 (4/7 ) ← 3/27전까지 연락 드릴 계획[x] 황호성 교수님 메일 내용 이해 / 제시 주제 이해, 정리~ 3/31[ ] 멀티모달 공부[ ] 천문학 분들과의 미팅[ ] 황호성 교수님께 논문을 읽고 대략적인 의견을 들고 면담 신청 (다음주 이후 천문학 분들이랑 면담 날짜 맞추기4월[ ] 황호성 교수님 면담[ ] 경희대 아이돌 전화 (월화수 15시[ ] 이형준 교수님 면담 (4/.. 2025. 3. 25.
🛡️ UCPC 1차 회의 보호되어 있는 글 입니다. 2025. 3. 25.
🛡️ UCPC 2차 회의 보호되어 있는 글 입니다. 2025. 3. 24.
✳️ [GAN: Generative Adversarial Nets] 논문 리뷰 https://arxiv.org/pdf/1406.2661 ✳️ [GAN: Generative Adversarial Nets] 논문 공부✳️ [GAN: Generative Adversarial Nets] 논문 리뷰1. Introduction논문에서 다루고 있는 주제가 무엇인지와 해당 주제의 필요성이 무엇인가논문에서 제안하는 방법이 기존 방법의 문제점에 대응되도록 제안 되었는가 ▪️ 주제와 필요성이 논문은 생성 모델을 학습하는 새로운 방식으로서 적대적 생성 신경망(Generative Adversarial Nets, GAN)을 제안기존 생성 모델들은 확률 분포를 명시적으로 정의하고, 근사 추론이나 MCMC 기반 샘플링이 필요해 학습이 느리고 복잡 ▪️ 기존 방법의 문제점 대응 여부GAN은 확률 분포를 직접 정.. 2025. 3. 24.
🪼생성 모델 : 딥러닝 파이토치 교과서 딥러닝 파이토치 교과서 - 서지영 13장. 생성 모델  🪼오우 못 봤던 예쁜 해파리 임티 발견🪼생성 모델이란주어진 데이터를 학습하여 데이터 분포를 따르는 유사한 데이터를 생성하는 모델  🪼생성 모델 개념판별 모델 descriminate model이미지를 분류하는 모델생성자 모델 generative model 추출한 특성들의 조합을 이용하여 새로운 이미지를 생성 🪼생성 모델 유형1) 변형 오토인코더 모델- 모델의 확률 변수를 구함 ( 명시적 방법 ) 2) GAN 모델- 확률 변수를 이용하지 않음 ( 암시적 방법 )🪼변형 오토인코더이미지의 잠재 공간에서 샘플링하여 완전히 새로운 이미지나 기존 이미지를 변형하는 방식으로 학습을 진행 변형 오토인코더 == 오토인코더의 확장🪼오토인코더란입력을 출력으로 .. 2025. 3. 23.

티스토리툴바