#kr-new

XOR 로직 문제는 1969년 MIT AI 랩 교수였던 Minsky 교수의 공저인 Perceptron 저서에서 하나의 레이어만 가지고는 Rosenblatt의 퍼셉트론에 의한 머신러닝이 불가능하다고 지적했던 고전적인 문제로서 이미 뉴럴 네트워크(Neural Network)의 출현을 암시했었다. 물론 지금이야 누구나 다 Backpropagation 알고리듬을 알고

Scikit-learn 라이브러리 모듈에서 제공하는 make_blobs 데이터를 사용하여 연습만 할 것이 아니라 Iris flowers 데이터를 대상으로 k-means 클러스터링 기법을 응용해 보기로 하자. 이미 필자의 저서 “파이선 코딩 초보자를 위한 Scikit∙PyTorch 머신러닝” 1장에서 Iris flowers 데이터를 대상으로 하는 각종

고전적인 K-means 기법에 의해서 int=’random’ 조건을 사용하면서 클러스터링 수의 초기 값을 잘못 줄 경우 예기치 않은 결과가 얻어질 수 있는 사례이다. 앞서의 중심이 3개인 클러스터링 예제에서 클러스터링 수를 1과 2로 계산한 결과를 관찰해 보자. 클러스터의 중심을 1 즉 하나로 두면 전체의 중심이 포착되며 2일 때에는 하나는 제대로 중심을 찾았으나

머신 러닝 문제를 해결하기 위해서 파이선 코드를 작성해 보자. 왜 파이선 코드인가? C/C++ 이나 쟈바와 같은 언어들도 있지만 이런 언어를 바탕으로 머신 러닝 코드를 작성하는 것은 쉬운 일이 아니다. 언어 자체의 수준의 높낮이 문제가 아니라 그러한 언어들의 사용 목적 방향 자체가 머신 러닝과는 그다지 상관이 없기 때문 아닐까? 다시 말하면 그런 언어들은 머지

인공지능 머신러닝의 원리를 탐구하는 과정에서는 뉴튼의 고전 물리학이라든지, 아인슈타인의 상대성 원리, 양자 역학, 평행 우주론을 비롯한 어려운 물리적 원리가 아닌 에너지 최소화 또는 오차(error) 최소화와 같은 간단한 원리가 핵심 역할을 하고 있다. 에너지, 오차의 의미를 이해하기 어렵다면 비용 즉 코스트(Cost) 개념으로 바꾸어 생각해도 무방하다. 머신

무선 키보드 및 마우스로 이루어진 라즈베리 파이를 꽤 오래 사용해 왔지만 아직까지는 이더넷 케이블과 AC어댑터 사용으로 인해 날렵함을 추구할 수 없었다. 우리가 상식적으로 알기에 라즈베리 파이의 전원 어댑터는 직류5V, 최대 2A 의 전류 제공 능력이 필요하므로 리튬배터리 파워팩만으로 제대로 동작이 될는지 의문스러웠다. 아울러 어떤 디바이스가 있는지 알지 못했다.

MNIST 문제에 두개의 은닉층(Neural Layer)을 가지는 뉴럴 네트워크를 적용해 보자. MNIST 문제는 머신 러닝 연구에서 알고리듬 적용 대상 일순위로서 수많은 연구가 이루어졌으며 이미 99.7% 이상의 인식률을 성취하고 있다. 한편 뉴럴 네트워크 형태를 기본으로 하는 CNN(Convolutionary Neural Network) 딥 러닝(Deep

우선 가상환경으로 설치해둔 opencv를 사용하기 위해서는 반드시 다음과 같이 source 명령 및 workon 명령을 실행 후 (cv)pi@raspberrypi 프롬프트 상태에서 tree 명령을 사용하여 이미지 파일의 위치(경로: home/pi/Opencv/opencv_examples/)를 관찰해 보자. 위 그림에서처럼 command line 명령을 사용하여

Stretch OS 라즈베리파이 보드에 인텔의 Neural Compute Stick2를 설치해 보자. 2019년 12월 현재 보급되는 Buster 이전의 OS 가 Stretch 버전이며 2018년에 OpenCV를 성공적으로 설치한 경험이 있다. 인텔의 홈페이지에서도 Stretch 버전을 대상으로 설치하고 있으며 Buster 버전도 안된다는 법은 없으므로 곧

TensorFlow를 사용하는 MNIST 예제 즉 수기숫자 판독 문제는 머신러닝 학습의 핵심이라고 해도 지나치지 않다. PyTorch 사용법을 배워나가는데 있어서도 마찬가지라 할 수 있을 것이다. CPU 코딩이라 함은 GPU 가 없는 윈도우즈 10에 설치된 아나콘다에서 CPU 로 실행함을 뜻한다. GPU 로 실행하려면 cuda 코딩이 추가되어야 할 것이다.

※ PIC를 사용하려면 반드시 크롬 브라우저에서 Personal Image Classifier 로 검색해서 들어가자. Internel Explorer를 사용하면 Mobilenet 스크린이 뜨지 않으므로 주의하자. 앱인벤터 코딩에 있어서 부족하다고 느꼈던 부분이 바로 머신러닝이었는데 MIT 앱인벤터 그룹이 준비하고 있는 이미지 머신 러닝 처리가 가능한 Personal

머신 러닝의 영역이 CNN을 바탕으로 2012년의 AlexNet에서 시작하여 2017년 ResNet까지 발전함과 아울러 2014 년부터 이미지를 구성하는 오브젝트들까지 세밀하게 인식할 수 있는 Semantic Segmentation 머신 러닝이 함께 발전하였다. 2014년 초창기의 Segmentation 은 Fully Convolutionalized Network

Intel Neural Compute Stick 2 와 같이 USB에 인터페이싱 하여 이미지를 Detection(검출) 한다든지 또는 NVIDIA 의 Jetson Nano 처럼 이미지 Detection을 위해 아예 GPU가 부착되어 있는 Nano 보드를 들 수 있을 것이다. 한편 기존의 안드로이드 스마트 폰의 카메라를 활용한 Detection 앱도 검색어 object

드론에서 흔히 사용되는 리튬폴리머 배터리는 BLDC 드론 모터를 높은 RPM 으로 구동시킨다. 특히 드론 비행에서 비행 상태를 급격히 변화시키기 위해서는 순간적으로 상당히 큰 전류를 필요로 한다. 리튬폴리머 배터리는 C 값이 상당히 높으며 대체로 10배 이상이다. 리튬 폴리머 배터리 용량이 2000mAH 라면 즉 2 AH 이라면 10C 기준으로 볼 때에 순간

인텔사의 Compute Stick2 는 2018년도에 출시된 제품으로서 말로만 들어 보았던 NPU(Neural Processing Unit) 가 바로 그것인 듯하다. 이와 같은 뉴럴 전용 프로세서는 1980년대부터 IBM을 비록하여 많은 연구개발이 있었던 것으로 알려져 있다. 상당히 오랜기간 동안 인공지능 분야의 발전이 정체되어 잊혀져 버렸으나 인공지능의 시대가

아두이노 제작해 보는 RC카를 단계 별로 살펴보면 처음에 간단한 셀프 주행일 것이다. 즉 전진 후진 좌회전 우회전 기능을 부여하면 좁은 공간 안에서 단조롭게 셀프 주행이 가능해진다. 이어서 HC-06 블루투스 보드를 추가하게 되면 블루투스에 의한 무선 조종이 가능해진다. 물론 스마트 폰 앱을 앱인벤터로 코드를 작성하여 사용하게 된다. 이러한 내용의 아두이노

![마나마인로고.png]

2012년 출현한 AlexNet 이후로 2016년 ILSVRC에서 최고로 높은 인식률을 보여준 ResNet 모델이 Transfer Learning 분야에서 많이 활용되고 있다. ResNet은 채용된 레이어 수에 따라 ResNet50, ResNet101, ResNet152의 3종류가 있는데 비록 학습된 결과라고 해도 그 크기가 상당히 큰 편이며 중간에 해당하는

캡스톤 디자인의 대상은 그 범위 폭이 대단히 넓다. RC카처럼 움직이는 작품만 캡스톤 디자인의 대상은 아닐 것이다. 그러한 취지에서 2019년의 캡스톤의 타겟을 집에서 사용할 수 있는 가성비가 대단히 높은 조립식 PC를 Jetson Nano 보드를 사용해 구상해 보았다. 다음의 사진의 Jetson Nano 보드의 박스는 2018년 캡스톤 제작 때 만들었던 Balancing

아두이노 프로젝트에서 대단히 중요하게 사용되고 있는 I2C 인터페이스 기법에 대해서 알아보자. I2C는 그 발음이 I-two-C 또는 I-squared-C 로 부르며, 1980년대부터 사용되어온 보편적인 직렬형 인터페이스 기법으로 알려져 있다. 인터페이스 속도가 그다지 고속은 아니지만 특히 아두이노와 같이 인터페이스 속도가 문제가 되지 않는 마이크로 콘트롤러들