#kr-new

Adafruit 사의 DHT11 센서를 사용하여 측정한 온습도 데이터를 ThingSpeak 사물인터넷 서버에 저장하여 그래프를 작성하는 것은 너무나 유명하여 아두이노에 입문하였다면 누구든지 해봐야 할 프로젝트이다. ThingSpeak 사용 방법에 관해서는 아래의 사이트를 참조하자. 초보자를 위한 라즈베리 파이3 DHT11 온습도 ThingSpeak 그래픽 처리

라즈베리 파이 보드를 거쳐 Jetson Nano 보드에 Ubuntu 18.04를 설치해보자. 이미 라즈베리 파이 보드에서 Ubuntu Mate를 설치해 보았다면 그다지 어렵지 않게 설치 할 수 가 있다. 윈도우즈 10 PC에서 16GB 이상의 새 SD 카드를 준비하여 Format을 실시하도록 하자. 다음 url 주소로 넘어가서 마저 읽어 보세요. ![마나마인로고.png]

아두이노에 릴레이를 사용할 경우에도 최종 출력단에서는 아두이노 전원 전압과는 별개의 독립적인 전압을 사용할 수 있었다. 물론 아두이노 입력 전압은 Vin 에서나 또는 DC 잭에서 ∼15V 까지 가능하지만 입력 후 레귤레이터를 통과하면서 다음 그림에서처럼 아두이노 보드 내에서는 최대 가용 전압이 5V이며 필요 시 3.3V를 사용할 수 있다. 따라서 모든 아두이노

아두이노에서 라이다 센서를 사용하여 거리를 측정하여 LCD 에 디스플레이 할 수 있는 장치를 제작해 보자. 디바이스 마트에 라이다 센서를 종류별로 판매하고 있다. 거리계 제작에 사용한 라이다 센서는 LIDAR-Lite[SEN-14032]로서 소매가격이 163,000원으로 아두이노 마니아에겐 좀 비싼 부품일 듯하다. 그래서 동호회원께서 제작한 것을 임대해서 사용

향후 2025년까지 엄청난 속도로 전기 자동차가 보급되는 상황에 대비하여 자원의 원활한 순환을 대비할 수 있도록 최근 진주와 나주에서 자동차 현대 아이오닉 전기자동차를 대상으로 위험한 고압 리튬 폐배터리 팩 해체 시연회를 가졌다. 우리나라에서 자동차 산업이 차지하게 될 비중이 반도체 산업 보다 더 커질 수도 있겠지만 아이러니하게도 전기자동차의 해체산업이 받쳐주지

2019년 10월 11일 전남 나주시 전남지역 지부에서 폐차업에 종사하시는 분들을 대상으로 뉴해성산업에서 전기차 아이오닉 고압 리튬 폐배터리 팩 해체 시연회가 열렸다. 정인승 회장님 축사를 필두로 하여 용인송담대학교 이응재 교수(@codingart)의 고압 폐 배터리 팩 해체 안전 지침에 관한 강의와 함께 겸임교수인 김민정 교수의 노련한 해체 시연 작업이 있었다.

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

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

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

오늘 첫 회식을 했다! 오랜만에 반가운 교수님 얼굴도 뵈고 친구들이랑 맛잇는 고기도 먹고 냉면도 먹었다 !! 다시 힘내서 2학기도 잘 마무리 해야지 AZA!!!!!!!!!

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