NeuroWhAI의 잡블로그

※ 저는 학생 수준도 아니라서 단순히 이런 것이 있더라 하는 글 정도로만 봐주시면 좋겠습니다 ㅎㅎ.. 먼저 Two Minute Papers 채널의 영상을 보시겠습니다. 약 한 달 전에 구글에서 PlaNet이라는 강화학습 모델을 공개하였습니다. 과거의 환경 정보만 가지고 미래의 행동과 환경을 예측 수행하여 최선의 행동을 결정한다고 합니다. 계획을 한다는 점에서 Plan이란 단어를 써 Net과 합친 이름인 것 같습니다. 기존 강화학습 알고리즘에 비해 점수가 크게 향상된 건 아닌 듯 하지만 미래를 예측하여 학습하므로 환경과의 상호작용이 50배 줄었다고 합니다. 또한 새로운 게임을 학습할 때 바닥부터 시작하는 것이 아니라 이전 게임에서 학습한 중력, 속도와 같은 공통의 개념을 가진 채로 학습을 이어 진행할 수도..

https://github.com/JoYoungjoo/SC-FEGAN 생성 모델은 직관적으로 눈에 보이는 결과물이 나와서 그런지 정말 마법 같은 속도로 발전하네요..

http://blog.conceptnet.io/posts/2017/how-to-make-a-racist-ai-without-really-trying/ 재미있는 글이네요.영어라서 다 이해한건 아니지만 대충 보면 머신러닝을 이용해서 문장에 담긴 감정을 수치화하는 도구를 만드는데꽤나 잘 동작하는 듯 싶었지만 의도치 않게 객관적으로 봤을때 중립적인 문장들에서도 특정 단어들에 부정적인 감정이 매겨지는 결과가 나타나는걸 볼 수 있습니다. 본문의 예를 들면 특정 국가 식당에 가자는 문장에서는"Let's go get Italian food" : 2.04"Let's go get Chinese food" : 1.41"Let's go get Mexican food" : 0.39처럼 멕시코 식당에 가자는 문장이 비교적 낮은 ..

7월 18일에 구매한지 한 달도 안되었는데 다 읽었네요. 제가 이런류 책은 잘 안읽어서 그런지 몰라도 정말 신선했고 읽기 잘했다는 생각이 들었습니다. 인공지능의 미래에 대해 좀 더 넓고 깊게, 잘 생각해보고 싶은 사람이거나 기자라면 필독해야 할 책이 아닐까 싶습니다. (제가 전문가는 아니지만요 ㅋㅋ) 저자가 인공지능과 생명의 미래를 위해 직접 단체(참여자 스펙이 대단합니다)도 만들어 활동하고 있으니 더욱 신뢰도가 높습니다. 이 책은 처음부터 끝까지 모든 일에 대해 가능성을 열어두고 왜 가능성을 열어두는지, 어떻게 대비할 수 있을지, 그 대비책은 또 어떻게 회피될 수 있을지 말해줍니다. 또한 우리가 어떻게 생각하고 행동해야 하는지 계속해서 주장하고 설득합니다. 몇 개의 단편으로 가상 시나리오도 포함되어 있..

비교적 최신(?) 개념이라 자료가 별로 없어서 공부하기 너무 힘드네요. 특히 저같은 수알못은... https://machinelearningmastery.com/how-does-attention-work-in-encoder-decoder-recurrent-neural-networks 그나마 위 글에서 약간의 슈도코드를 써줘서 그나마 흐름은 그릴 수 있었습니다. 아래 사진은 제가 흐름을 보고자 코드를 그림으로 옮긴건데 마우스로 그린지라 개판이니 양해 부탁드립니다 ㅋㅋ.. 나중에 확실히 이해하면 직접 코드도 짜보고 정리해서 올리겠습니다.

https://www.kaggle.com 저도 오늘 처음 알았네요. Kaggle은 백준이나 알고스팟처럼 문제를 풀고 경쟁하는 사이트인데 머신러닝이 주제라는게 차이점입니다. 데이터 세트가 주어지면 그걸 학습하여 테스트에서 높은 예측율을 받는게 목표입니다. 다른 사람과 순위 경쟁도 할 수 있으며 어떻게 풀었는지도 볼 수 있어서 많은 공부가 될 것 같습니다. 사이트 디자인이 GitHub을 연상시키는데 깃헙처럼 팔로우 기능도 있으니 저 좀 팔로우 해주ㅅ.. https://www.kaggle.com/neurowhai

을 예방하기 위한 방법에 대해 다룬 글입니다. https://steemit.com/deeplearning/@jiwoopapa/women-also-snowboard-overcoming-bias-in-captioning-model 성차별적인 분포의 사진만을 주고 여기 나온 사람이 남자인지 여자인지 분류하게 했는데 실제로 어디에 집중하는지 보니까 사람이 아니라 배경, 사물이었다고 합니다. 야구 배트 -> 남자 사무실 모니터 -> 여자 이렇게요. 이걸 방지하기 위해서 사람에 집중하도록 손실 함수를 바꿨더니 나아졌다...라는 내용입니다. 사실 사람에 집중해도 여전히 고정관념이 있을 수 있는게 당장 우리 인간들도 성을 판단할때 머리카락, 얼굴, 몸매를 보는데 이게 100% 정확한게 아니거든요. 이런 연구가 활발하게..

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566use std::fmt; struct LinearFunction { a: f64, b: f64,} impl LinearFunction { fn new(a: f64, b: f64) -> LinearFunction { LinearFunction { a: a, b: b, } } fn feed(&self, x: f64) -> f64 { self.a * x + self.b } fn learn(&mut self, input: f64, target_output: f64, learning_rate: f..

https://brunch.co.kr/@madlymissyou/18요약 - 이세돌과 붙었던 통칭 알파고 Lee는 인간의 기보를 학습하고 스스로 강화했지만 Zero는 말그대로 '무'에서 자기 혼자 학습함. - 3일만에 알파고 Lee 추월하고 100전 100승을 거둠. - 이게 겨우 TPU 4개로 한 짓. - 알파고 충성충성.