Low Pass Filtering(LPF) 을 직접 사용하는 예로서 Brokking의 오픈소스형 DIY 아두이노 Flight Controller 적용을 들 수 있다. 필자도 실제로 Brokking 의 YMFC-AL 모델 아두이노 오픈소스를 다운받아 DIY 드론을 제작하여 시험비행을 해본 경험이 있으며 동호회 전문가로부터 Brokking 의 소스 코드에 들어

Recurrent Neural Network기법을 사용하여 저주파 필터링 작업을 수행해 보자. 저주파 필터링을 위해 사용되는 RNN 기법은 랜덤한 증권가격 예측과 마찬가지로 Many To One 모델을 사용하기로 한다. 신호의 필터링은 통신 분야에서 이미 엄청난 응용이 이루어지고 있는 분야로서 저주파 필터링이란 저주파와 고주파가 섞여 있는 신호에서 고주파를

PCA를 통해 데이터의 차원이 13인 Wine 데이터의 주축을 2개 찾아 2차원 데이터로 만든 후 Logistic Regression Classification 결과가 우수하였다. Scikit-learn 라이브러리에서 지원하는 PCA 루틴을 사용하여 2차원 데이터를 생성한 후 Wine 데이타를 7:3 으로 학습용과 테스트용으로 나누어 Logistic Regression

2차원 평면상에서 타원 내부에 위치하고 있는 2차원 데이터들을 관찰해 보자. 이 데이터들은 서로 수직하는 장축과 단축으로 이루어지는 타원 영역 내에 위치하고 있다. 이와 같이 분포하고 있는 데이터들의 분산 값이 최대가 될 수 있는 축들을 주축(Principal Axes)이라 하며 위의 2차원 분포에서는 2개의 서로 수직한 주축을 찾아낼 수 있는데 하나는 장축이

거리 측정을 위한 초음파 센서 SR-04는 아두이노 센서 중에서 가장 중요한 센서 중의 하나이다. 초음파 센서의 구조는 크리스탈 발진회로에 의해서 40kHz 주파수를 만들어 Triggering 하여 쏜 다음 벽면으로부터의 반사파 즉 echo를 수신하는데 그 사이 경과 시간을 정밀하게 측정하여 공기 중의 초음파 속도와 곱하여 거리를 환산한다. 공기 중의 초음파

Scikit-learn 라이브러리를 사용하여 붓꽃 데이터를 Classification하는 다양한 방법들을 이미 소개했지만 그 외에도 TensorFlow에 의한 Deep Learning 방식에 의한 코딩도 소개하였다. scikit-learn 라이브러리를 사용할 때에는 필요한 데이터를 웹으로부터 직접 불러와 사용할 수 있도록 되어 있지만 TensorFlow Deep

PyTorch 하면 Facebook 에 인공지능 또는 머신 러닝 분야 기술고문으로 MNIST 머신 러닝으로 큰 업적을 남긴 LeCUN이 이끌고 있다는 사실을 잘 알고 있을 것이다. 아울러 이들이 발표한 PyTorch에 대해서도 잘 알고 있을 것이다. 아니 TensorFlow 도 잘 돌아가는데 또 PyTorch 로 뻘 짓 하는 것 아닌가 의아해 하는 분도 계실

MNIST 딥러닝 예제에서 epoch를 늘리면 윈도우즈 10 PC에서 가슴이 답답할 정도로 대기해야 한다. 무료인 구글 Colabo의 GPU를 사용하면 85% 의 시간을 가속하여 불과 15% 시간으로 컴퓨팅이 완료된다. 6배 이상 빨라진다. GPU 테스트했던 예제코드는 유튜브에서 우리말 머신러닝 강의를 올렸던 최고의 인기강사 Sung Kim의 Github에서

인터넷 검색을 해보면 CIFAR-10 설치에 관한 블로그 글들이 꽤 많이 있으나 직접 해보면 제대로 되는 버전이 거의 없다. 이런 시행착오를 한방에 날려버리자. 사실 CIFAR-10 예제 실행은 단순한 파이선 응용문제 하나를 푼다고 보면 되는 것인데 무슨 구구절절 잔소리가 많은지. 물론 PyTorch를 열심히 공부해서 잘 이해하면 좋지만 그렇지 않다 해도

머신 러닝을 위한 환경으로서 윈도우즈에 아나콘다를 설치하여 사용하고 있으나 또 다른 방법론이 있는바 구글의 컬래버러터리(“Colaboratory”) 이다. 머신 러닝을 실행시킬 수 있는 구글 NDRIVE 속의 특이한 Backend로서 쥬피터 노트북으로 보면 될 것이다. 노트북 스타일의 소프트웨어로는 이미 잘 알려져 있던 매쓰매티가가 있으며 MSDOS에서 벗어나

2개의 LD(Linear Discriminant)가 결정되고 이에 따라 작도가 이루어졌다. LDA기법에서의 Classification 이란 결정된 LD 축을 따른 분포를 고려하는 것이다. 아래 그림을 보면 eigenvalue 의 큰 값에 해당하는 LD1 축을 따라서 Classification 이 가능하다는 것을 알 수 있다. 즉 eigenvalue 가 가장

RC카 만들기 꿈의 대학 6주차이지만 과정 운영이 만만치 않다. 참가학생들 개인 사정으로 인해 진도가 틀어져 버려 거의 12대의 자작 RC카를 운영하는 셈이 되어 버렸다. 말이 쉬워 12대이지 RC카별로 일대일 튜토링이 쉽지는 않다. 이 프로그램을 업로딩 후 USB 케이블을 연결한 채로 시리얼 모니터에서 문자 F,B,L,R,S를 입력 전송 버튼을 눌러 RC카의

이어서 LDA+Classifier 기법 적용 결과를 살펴보기로 한다. 이 Fisher 교수의 LDA 기법은 머신 러닝의 발달사에 있어 앞으로 큰 도약을 위한 징검다리 역할을 할 듯싶다. 이미 붓꽃 데이터에 대한 퍼셉트론 Classification 에 서 볼 수 있었듯이 학습 후 테스트 시에 93% 의 정확도를 보여주고 있다. 이러한 퍼셉트론 적용 전 단계에LDA

Fisher 교수와 Anderson 교수가 함께 완성한 Iris 즉 붓꽃 데이터 베이스에 대한 LDA formulation 및 코딩을 고려해 보자. 물론 그들이 1936년도에 데이터베이스를 완성하고 통계학 분야의 천재로 알려진 Fisher 교수가 Classification을 위한 LDA 기법을 창안한 것이 사실이지만 당시에는 지금과 같은 컴퓨터 코딩이 불가능했던

Fisher 교수의 목적은 붓꽃의 특징벡터(feature vector)들을 사용하여 붓꽃 종류를 구분하는 즉 Classification 연구였으며 그 구체적인 방법론이 바로 LDA이다. 비록 오래된 이론이긴 하지만 지금의 머신 러닝 이론에 영향을 줄 수 있을 정도로 그 방법론이 신선해 보인다는 점이다. LDA 기법은 독립된 4개의 성분을 가지는 다시 말해서

2차원적인 예제와 4차원적인 특징 데이터를 가지는 붓꽃 데이터에 관해서 Linear Discriminant Analysis 기법을 이미 검토하였으나 그 과정에 오류가 있었던 것은 아니지만 정확한 지적을 하지 못하고 넘어간 부분들이 군데군데 눈에 띄었으므로 이러한 점들을 명확히 밝혀 보도록 하자. 아래의 url 은 이미 게재했던 관련 내용 사이트이다. 이미 까마득한

LDA 첫 단계로서 3가지 붓꽃 데이터 샘플 종류별 즉 class 라벨별로 평균 벡터를 구하자. 평균 벡터는 리스트형으로서 mean_vectors 라는 변수 명을 부여하자. 두 번째 단계에서는 3가지 붓꽃 종류 각각 별로 scatter 매트릭스에 해당하는 within-class scatter 매트릭스를 계산하자. 각 클래스 별 50개의 붓꽃 샘플 데이터들은

Rollout 이란 시제작한 비행기나 차를 처음 공식적으로 운전하는 행사를 뜻한다. RC카에서 USB케이블을 제거하고 9V 건전지를 어댑터에 연결하여 바닥에서 주행시켜보자. 프로그램 주행이 가능한 RC카를 제작 완료한 다음 단계에서는 RC카를 USB 케이블로 연결한 상태에서 즉 PC에서 5V 전원을 공급 받으면서 시리얼 모니터에서 입력된 명령을 사용하여 RC카를

오랜 만에 촉촉하게 비가 내린다. 언제부턴가 먼지와의 싸움이 시작된 이래 비가 그리워진 것은 무슨 이유일까? 발달린 인간이야 생수를 마시면 되겠지만 발없는 농장의 식물들이야 뜨거운 땡볕에 뿌려주는 물 외에 언제 갈증을 해소하랴. 발달린 나도 촉촉함을 느끼다니 갈증을 느껴왔다는 것인데...? 점점 식물화가 되어 가는 것은 아닐까?

LDA 기법이 오래전에 Fisher 교수에 개발되었지만 자신이 스스로 준비했던 Iris flowers dataset을 사용하여 처리한 자료를 찾기는 어려우므로 직접 파이선 코딩에 의해 풀어 보기로 하자. Pandas 의 DataFrame 기법을 사용하여 150개의 데이터를 CSV format으로 읽고 3가지 종류 붓꽃 종들의 컬럼 데이터를 사용하여 빈도수를