HC-06 블루투스로 조종하는 RC 카 제작 및 코딩에 관해서 여러 번 블로그에 게재하면서 가장 불편하게 느꼈던 점이 블로그를 통해 바로 오픈 소스 앱을 제공하는 일이었는데 앱의 속성 상 그게 마음대로 되지 않았다. 초보자일수록 아두이노 C/C++ 코딩까지는 가능하겠지만 동시에 앱인벤터 코딩까지 다루기는 따로 시간과 준비가 필요하므로 다소 힘들 수도 있어 보인다.

동호회에서 GPS 드론 Brokking 의 오픈 소스를 사용 코딩하여 비행 시험을 실시하였다. 어느 정도 생각대로 움직였던 것은 사실인데 아두콥터와 peacehawk와 같은 상용 드론에 비해 자기장 처리하는 부분이 좀 약하다는 느낌이 든다.출발점을 기억했다가 20m 상공으로 치솟았다가 돌아와서 10m 정도에 들어오면 착률하는데 바닥이 세멘트라 넘어지기 십상인데

앞 블로그에서 (10)식까지 유도된 공식들을 사용하여 수치계산을 해보도록 한다. (1)식에서 계산된 평균값을 참조하면서 class 별 scatter를 계산해보자. 만약 계산된 eigenvalue들의 값이 비슷비슷한 크기라면 X공간의 데이터들을 직선에 제대로 투영할 수 있는 좋은 조짐인데 반하여 eigenvalue 하나는 값이 크지만 나머지들이 아주 작은 경우에는

1936년 하면 이미 까마득한 옛날일 것이다. 하지만 지금의 머신 러닝 작업의 원조로도 볼 수 있는데, Fisher 교수는 하바드에서 연구차 방문한 Anderson 교수와 함께 농장에서 열심히 붓꽃 데이터 베이스 즉 Iris flowers dataset을 만들었다. Anderson 교수는 식물 발생학 연구자였지만 Fisher 교수는 바이오통계학자였다. 미국에서

RC카 차체를 양면 테이프만 사용하여 조립하도록 하자. 앞바퀴에 해당하는 스틸 볼(스틸 캐스터)의 플라스틱이 바닥면과 닫지 않도록 높이를 맞춰주어야 한다. 전압이 나오지 않는 9V 폐건전지를 사용하여 양면테이프 작업을 하였다. 다음 사진은 RC카의 상면도이다. 건전지 폭을 포함하여 적절하게 부품을 배치하도록 하자. 아두이노 우노 보드 위에 Adafruit 모터

지난 번 LED 의 디지털 ON/OFF 와 아날로그 ON/OFF 방식에 의한 Fade 코딩에 이어 이번에는 DHT11 온습도 센서를 사용한 아두이노 코드를 작성하자. DHT11 로 명명된 온습도 센서는 기상 관측용 센서로 알려져 있다. 아두이노 코딩을 배우려면 누구라도 반드시 한번은 해보아야 할 프로젝트이다. 온습도를 함께 측정하는 이유는 온도와 습도를 동시에

1936년 영국의 Fisher 교수와 Anderson 교수에 의해 150개의 데이터 세트로 구성된 붓꽃 데이터베이스(Iris flowers database)가 만들어졌다. 이미 오래 전 연구에서 탄생한 귀중한 데이터이기도 하지만 과연 이 데이터를 준비했던 Fisher 교수의 시대에는 계산기도 없던 시대였는데 어떤 방식으로 붓꽃 샘플데이터를 처리하여 분류했는지

수많은 영화들이 성공적 흥행을 목표로 쏟아지고 있는 미디어 세계에서 개봉 이전에 광고 중인 영화의 등급(rate) 예상에 관한 사례를 살펴보자. IMDB 영화 리뷰에 의한 학습 및 테스트에서처럼 개봉 이후 충분히 확보된 영화 리뷰 결과를 사용하여 머신 러닝 시키는 경우도 있겠지만 반면에 본능적인 평가를 택하는 경우도 있을 수 있다. 하지만 지금도 수없이 쏟아지는

아두이노 배선 및 컴퓨터 C/C++ 코딩 및 에 깊은 관심을 가진 초보자분들께 도움을 드리기 위해서 Daum 블로그에 게재했던 모든 내용을 url 주소와 함께 하이퍼링크로 목차화 한 PDF 파일을 무료로 제공합니다. 아래의 url 주소에서 하이퍼 링크 PDF 목차 파일을 공짜로 다운받아 활용하기 바랍니다. 각 장 절별로 제목과 url 주소를 나타내었으므로 목차에서

머신 러닝에 깊은 관심을 가진 분들게 도움을 드리기 위해서 스팀잇(Steemit)에 게재했던 모든 내용을 url 주소와 함께 하이퍼링크로 목차화 한 PDF 파일을 무료로 제공합니다. 아래의 url 주소에서 하이퍼 링크 PDF 목차 파일을 공짜로 다운받아 활용하기 바랍니다. 각 장 절별로 제목과 url 주소를 나타내었으므로 목차에서 클릭하여 직접 스팀잇 블로그로

봄꽃 들이 햇살아래서 강렬한 분위기를 연출하는군요.

스탠포드 대학 서버에서 제공하는 IMDB 데이터 베이스를 사용하여 Sentiment 분석을 해 보기로 한다. Sentiment 라 함은 여론조사는 아니고 특정 사안에 대한 쏠림 경향 정도로 생각하면 될 듯하다. 첫 번째 시도는 Sevastian Raschka의 “Python Machine Learning” 8장의 오픈 소스를 사용해 보았으나 실제로 결과를 얻어낼

조선일보 AI 기사는 연초부터 매주 한번씩이었는데 이제는 그 빈도 수가 늘어난 듯하다. 정치분야의 뉴스를 보기위해 조선일보를 보지 않게된 것은 이미 오래 전의 일이다. 그래도 조선일보를 아직까지 구독하는 이유는 수년 전에 작고한 선친이 구독헸던 탓이리라. 지금 내가 하는 것은 단지 일주일치 모아서 필요하면 허드렛 종이로 사용하고 재활용에 던지는 것이 나의 중요한

아참 출근 길 건너려다 본 아참 햇살에 찬란하게 이슬을 머금고 피어 있는 장미를 보았네요. 혹시 조화인가 걱정스러워 꽃잎을 살포시 만져 보았드니 자연의 부드럼움이 느껴지는군요.

IG를 이해하기 위해서 적절한 다음 그림의 확률 예제를 검토해 보도록 하자. Outlook 은 날씨예보를 의미한다. 즉 날씨 예보를 들은 후 Tennis 게임 여부를 표로 작성하였다. 표 전체적으로 일단 Tennis를 했느냐(9/14) 안했느냐(5/14)는 단순 확률 계산이 가능하다. 물론 이 확률들의 합은 1.0 이 되어야 한다. 한편 날씨예보를 참고하여

파이선 코딩 초보자를 위한 텐서플로우 OpenCV 2장 6절에서 아래와 같이 훈민정음 자모 중 4가지 class의 자음에 대한 학습을 통해 테스트 자모를 Classification 하는 예제를 이미 제시하였다. 물론 이 문제를 풀기 위해서 MNIST 수기 문자 해독 코드에서처럼 One Hot Code를 설정하여 사용하였다. 2-6 훈민정음의 자음 classification

DecisionTreeClassifier 적용에 따른 단계별 분기점(split)에서 엔트로피 또는 Gini impurity 가 중요한 역할을 한다. 즉 각 단계의 샘플들의 구성비에 의해서 해당 단계의 엔트로피나 Gini impurity를 계산할 수 있으며 아울러 이들을 분류하기 위한 예를 들면 binary question 에 따라서 실제 분류가 이루어진 후에

DecisionTreeClassifier를 사용하는 머신 러닝은 방법론 차원에서 여타의 머신 러닝 기법들과 비교해 볼 때에 가장 간단하다고 볼 수 있다. 워낙 간단하기 때문에 변호사들이나 검사들이 순진한 증인들을 대상으로 유도 신문할 때 즐겨 쓰는 이유가 아닐까? 하지만 머신 러닝 코드로 구현하기 위해서는 오히려 더욱 어렵게 느껴지는 것은 무슨 이유일까? Setosa,

Wikipedia나 Sebastian Raschka의 “Python Machine Learning“ 책에서 Information Gain과 엔트로피에 관해 읽어 보면 알 수 없는 내용으로 가득 차 있다는 점을 쉽게 알 수 있다. 저자들이 내용을 모른다고는 할 수 없으나 일반인들이 이해할 수 있는 언어로 해설되어 있지 않다는 점은 분명하다. 세상에 수많은 전문가들이

Perceptron 에 의한 3종의 Iris flowers Data Classification 작업은 선형적 분리가 불가능한 문제이므로 위와 같이 실패 사례를 보여 준다. 그 자세한 내용에 관해서는 아래 내용을 참조해 보기 바란다. 1-5 Iris flowers data 머신 러닝을 위한 sklearn 라이브러리 활용 이런한 문제 해결을 위해 고안된 방법이