아두이노 C 코드를 오늘 처음 작성해 보는 초보자들을 위한 코너 아두이노 CPU 코딩이란 앋두이노 점퍼선 와이어링을 해보기 전에 CPU 기능을 사용하여 사치연산과 USB 케이블을 이용하는 PC 의 시리얼 모니터에서 출력 연습을 위한 코딩을 뜻한다. CPU Serial.print 코딩 연습 후 LED on OFF 나 온습도 측정 코드를 작성는 단계로 넘어가면

MNIST 수기 문자 판독이라든지 또는 Iris flowers 데이타 베이스를 사용하는 Classification 머신 러닝 문제들은 이미 정답을 알고 있는 기출문제들과 같은 성격의 지도 학습(Supervised Learning) 으로 분류된다. 지도 학습에서는 학습 데이터에 대한 정답을 알고 있으며 이 정답을 예를 들면 One-hot-code 로 엔코딩 처리하여

RNN 에 의한 MNIST 문자 데이터 처리를 위한 구조이다. MNIST 문자 데이터 베이스를 읽어 들이는 명령은 다음과 같다. 즉 하나의 문자를 784개의 1차원 픽셀 배열이 아니라 28X28 매트릭스 배열 형태로 읽어 들이게 된다. x = tf.placeholder("float",[None, time_steps, n_input]) 이 데이터를

MNIST 수기문자의 판독율을 높이기 위해 고안된 수많은 알고리듬들 중에 RNN을 사용해 보자. 하나의 MNIST 문자 데이터는 28X28 2차원 흑백 데이터로 구성된다. 전통적인 가장 간단한 네트워크 수준에서는 784개의 데이터를 사용하여 뉴럴 네트워크를 구성하여 학습을 시키며, Convolution 필터 기법을 사용 시에는 28X28 데이터를 패딩 후 3X3

Wubuntu mate 18.04 버전에서 OpenCV4를 설치하도록 하자. Wubuntu 18.04, 버전을 사용하는 Jetson Nano 보드에서 OpenCV 설치를 위한 워밍 업으로 생각하자. 구체적인 설치 작업에 앞서 라즈베리 파이의 발열 문제를 완전히 해소해 줄 수 있도록 사진과 같이 라즈베리 보드의 전원이 아닌 데스크 탑의 전원을 사용하는 USB

Fermi-Dirac 입자들의 확률 분포를 구해보자. 동일한(identical) ni개의 입자들이 에너지 레벨을 Ei 로 가정하자. 에너지 레벨 Ei 는 다시 구별이 가능한 서브레벨 gi (degeneracy)를 가지며 각 서브 레벨은 최대 1개의 입자를 포함하거나 비어 있을 수 있다. 에너지 레벨 Ei 는 크기만을 지정하는 스칼라 양이므로 설사 에너지 레벨이

아래 내용은 아두이노에서 해볼수 있는 아주 간단한 실험이지만 Wubuntu를 설치한 라즈베리 파이 보드에 gpiozero 라이브모듈을 설치해야 만 재현이 가능하다. LED 회로에 스위치를 하나 추가하ㅈ여 스위치를 누르면 LED ON 놓으면 OFF 되는 회로를 구성해 보자. 아래 그림에서처럼 T-bar의 2번 핀에서 나와 스위치에 점퍼선을 연결하고 다시 스위치에서

원래의 라즈비안 시스템 OS 인 Jessie, Stretch, Buster 에서 Wubuntu 로 바뀌어 버린 상태에서 GPIO 방식에 의해 단 하나의 LED를 ON OFF 시키는 것조차 만만치 않은 작업이다. 컴퓨터 실력에 관계없이 그냥 실패해 버릴 수도 있는데 남의 얘기가 아니라 바로 필자의 사례이다. 지금 현재 인공지능(머신러닝) RC카를 제작하기 위한

라즈베리 파이+3에 Wubuntu Mate를 설치하게 된 중요한 동기는 곧 사용하게 될 NVIDIA 사의 Jetson Nano 보드를 사용하기 전에 미리 익숙해 질 수 있도록 연습을 해본다는 의미가 크다. 라즈베리 파이+3 보드에서 Jetson Nano 보드로 넘어가기 전에 확인해 보아야 할 사항으로는 Pi 카메라 설치 문제가 있다. Jetson Nano 보드

머지않아 NVIDIA 사의 Jetson Nano 보드를 구매할 예정이다. 라즈베리 파이 보다는 가격이나 사이즈가 훨씬 큰 편이며 Heat Sink는 GPU 냉각을 위해 그 크기가 거의 주먹크기 만하다. 사용하는 OS가 Wubuntu 18.04 로 지정되어 있는데 자기네 사이트에서 다운받아 설치가 가능하다고 한다. NBIDIA의 Jetson Nano 보드를 구입하려는

라즈베리 파이의 최신 OS인 라즈베리 바스터를 설치해 보자. 라즈베리 파이 OS는 SD카드를 사용하여 설치한다. 요즈음의 SD카드 메모리 사이즈는 eoro 32GB 이며 64GB 도 있을 수 있다. 이 메모리 용량 중에 4∼8 GB를 OS 설치 공간으로 할당하면 된다. 공 SD 카드는 윈도우즈로 포맷하면 안되며 반드시 다음과 같이 SD Card Formatter

민간 항공은 세계 2차 대전이 끝난 이 후 1960년대에 들어서서 미국 국내 항공운송업계의 혹독한 구조조정을 거치면서 국제항공승객의 급격한 증가를 가져왔다. 위 그래프에서 볼 수 있듯이 이 국제 항공승객 증가 패턴은 단순하면서도 랜덤한 regression 유형이 아니라 특정한 패턴을 유지하면서 지속적으로 증가하는 경향을 나타내는데 시계열 방식에 의한 예측만이

TensorFlow에서 RNN을 사용하다가 Keras 로 넘어오는 경우에 상당한 장해를 느꼈다. 거의 같을 것이라 생각했었지만 오픈소스로 알려진 블로그 글들을 참고해 보아도 Keras 시작 자체가 쉽지 않았다. 따라서 TensoFlow에서 기초적인 RNN 사용법을 습득했다면 Keras를 사용해서도 쉽게 사용할 수 있도록 해보자. 헤더 영역에 keras.models를

Covariance항을 고려한 Softmax 공식을 사용하는 인식률계산에서 더 나아가 뉴럴 네트워크 레이어를 하나 추가한 딥 러닝의 영향을 관찰해 보자. MNIST 입력 데이타가 1X784 이므로 784X124 hidden layer를 사용하여 처리 후 activation 단계에서 hypothesis를 124X10 으로 최종 처리하여 Softmax 에 입력하자.

MNIST 수시숫자 인식률 향상을 위해서 Covariance항을 고려한 Softmax 공식을 사용하도록 한다. MNIST 입력데이타가 1X784 이므로 직접 activation 단계에서 hypothesis를 784X10 으로 최종 처리하여 Softmax 에 입력하자. GradientDescentOptimizer를 사용하기로 하며 파라메터 설정은 다음과 같다.

지난해 겨울 텐서플로우 OpenCV 출간 이후 7개월 만에 2권에 해당하는 “Scikit PyTorch 머신러닝”을 출간하게 되었다. 각권이 450 페이지이므로 합 900 페이지에 달하는 내용이라 무슨 머신러닝을 공부하는데 분량이 왜 이렇게 많은가? 하고 의문을 가질 수도 있겠으나 그 내용이 튜토리얼성에 가까워 사실 그렇게 큰 부담은 없는 책이다. 물론 책

최근 출간한 “파이선 코딩 초보자를 위한 Scikit∙PyTorch 머신러닝”의 6장-19 RNN 편에서 이미 고주파 노이즈가 섞인 데이터의 저주파 필터링에 관해서 다루어 보았다. 이번에는 동일한 문제에 대해서 학습용 저주파 파형의 진폭을 변경시켜 학습시킬 경우 일어나는 영향을 조사해 보기로 한다. 2가지 파형 즉 저주파인 1.0Sin(2.0t) 와 상대적으로

7월부터 뜨거운 여름에 휴가차 온 마음으로 머신러닝 책 출간이 완료되었다. 필자의 불로그에 들러 주시는 분들이 느낄 수 있는 검색기능의 취약점을 보안하는 충실한 책이 되었으면 하는 바램이다.

올 해 초부터 내내 블로그에 포스팅했던 머신 러닝 내용을 모아 교보문고 POD 개인출판 진행중입니다. 아래는 표지와 머릿말 목차 안내 입니다. 머리말 2018년 12월 말에 “파이선 코딩 초보자를 위한 텐서플로우∙OpenCV 머신 러닝”을 출간한지 불과 반 년 만에 다시 후속 작을 출간하게 되었다. 그만큼 머신러닝이란 주제가 그만큼 강한 거의 마력 수준의 매력을

아래의 왼쪽은 2018년 상반기에 설치한 아나콘다의 텐서플로우 버전이며 오른쪽은 2019년 7월의 구글 Colabo에서의 업그레이드 된 텐서플로우 버전이다. Keras를 사용하여 구글 Colabo에서 MNIST 수기문자 판독 문제 코드 작성도 큰 변화를 겪었음을 예제를 통해 알아보자. 텐서플로우와 아울러 import tensorflow.contrib.keras