도비의 기술부채 인력소

✅7주차 회고 7주차에는 강의가 없었고 Level 1 대회인 Image Classification을 진행하였다 -7주차 아쉬운 점- 아직까지도 협업 툴을 적극적으로 활용하지 못하고 있는점 협업을 체계적으로 하지 못한 것 처음 목표했던 것과 다르게 성적에 집중하게 된것 팀원들 사이에서도 프로젝트의 격차가 벌어진것 -7주차 좋았던 점- 그럼에도 불구하고 다양한 실험을 직접해본 것 이유를 기반으로 가설을 만들고 추론하여 모델링을 진행한 것 팀원들의 의견을 자유롭게 공유하고 의견을 발전시켜 나간것 실험 내용을 기록해 둔 것 Public과 Private Score에서 1위를 차지 한 것 ✅8주차 목표 Week 8에서는 이러한 교훈을 기반 삼아 아래의 목표를 설정하려고 한다 실행 여부는 다음주 이 시간에 회고하면서..

✅6주차 회고 6주차 강의내용은 크게 어려운 점이 없었다 그러나 대회를 시작했기 때문에 많은 준비가 필요했다 -6주차 아쉬운 점- 아직 협업툴을 적극적으로 활용하지 않고 있다는점 새롭게 정리된 내용을 효과적으로 공유하지 못하고 있다는점 성능을 올리기 위해서 제출을 필요이상으로 사용한 것 -6주차 좋았던 점- 이론적으로 배운 내용을 실제 task에 적용을 해보고 다양한 방식으로 접근할 수 있어서 좋았다 어느 정도 체계적이고 논리적인 의사결정 단계를 통해서 모델의 성능을 개선시키기 위해서 노력한 점이 좋았다 팀원 끼리 서로 바라보는 관점을 공유하고 서로를 이해시키려는 노력이 좋았다 ✅7주차 목표 Week 7에서는 이러한 교훈을 기반 삼아 아래의 목표를 설정하려고 한다 실행 여부는 다음주 이 시간에 회고하면서..

본 글은 네이버 부스트 캠프 AI Tech 기간동안 개인적으로 배운 내용들을 주단위로 정리한 글입니다 본 글의 내용은 새롭게 알게 된 내용을 중심으로 정리하였고 복습 중요도를 선정해서 정리하였습니다 ✅ Week 6 1. Cross Entropy Loss의 문제점 2. Focal Loss 추가로 알아볼 loss 3. Label Smoothing Loss 4. F1 Loss 이번주 목표 중 하나 : 나의 코드에 사용되는 것들을 알고쓰자!! 1. Cross Entropy Loss의 문제점 Focal loss를 비롯해서 다양한 loss에 대해서 이야기 해보기전에 필요한 것이 있는데 바로 Cross Entropy Loss의 문제점을 살펴보는 것이다 대표적으로 딥러닝에서 다중분류 문제를 해결할 때 사용하는 Loss..

본 글은 네이버 부스트 캠프 AI Tech 기간동안 개인적으로 배운 내용들을 주단위로 정리한 글입니다 본 글의 내용은 새롭게 알게 된 내용을 중심으로 정리하였고 복습 중요도를 선정해서 정리하였습니다 ✅ Week 6 autograd backward() grad zero() no_grad() 1. autograd 오늘은 모델 학습을 위해서 간단하게 알아보는 '알두면 쓸데가많은 신기한 잡학사전' pytorch Autograd에 대한 내용이다 많은 모델을 학습하다보면 맹목적으로 .backward()를 통해서 배치마다 모델의 역전파를 계산해서 가중치를 업데이트해주는 행동을 할때가 있다 이런경우 대부분 원리를 이해하기보다 원래 그런갑다 하는 마인드로 모델을 학습하게 될 수 있다 따라서 오늘은 이러한 부분에서 조금은..

✅5주차 회고 5주차 강의 양이 많았고 처음 보는 내용이 연속적으로 나와서 정리하기에도 힘들었다 -5주차 아쉬운 점- 강의 내용에 처음 접하는 내용이 많이 있어서 완벽히 이해하지는 못했다 많은 강의양 때문에 논문구현을 실천하지 못했다 마지막 강의 내용을 완벽하게 정리하지 못했다 -5주차 좋았던 점- 그럼에도 불구하고 다양한 task를 스스로 찾아보고 이해하면서 어느정도 성장했다 어려운 부분을 팀원들과 공유하고 토의하면서 서로 성장하였다 ✅6주차 목표 Week 6에서는 이러한 교훈을 기반 삼아 아래의 목표를 설정하려고 한다 실행 여부는 다음주 이 시간에 회고하면서 확인할 것이다 1일 1백준 유지하기🔥 최종 프로젝트 떠오를때 마다 기록하기 - 기록하는 습관 만들기📜 도메인 기초 프로젝트에 성적보다는 다양한 ..

본 글은 네이버 부스트 캠프 AI Tech 기간동안 개인적으로 배운 내용들을 주단위로 정리한 글입니다 본 글의 내용은 새롭게 알게 된 내용을 중심으로 정리하였고 복습 중요도를 선정해서 정리하였습니다 ✅ Week 5 What is 3D? 3D Data represent 3D Data sets 3D tasks 3D recognition 3D obejct detection 3D Segmentation Conditional 3D generation 1. What is 3D? 우리가 생활하고 살아가는 공간은 3D로 구성되어 있다 따라서 이 3D를 모델에 학습시키고 데이터적으로 표현할 수 있다면 더 많은 것을 딥러닝으로 구현할 수 있을 것이다 실제로 우리가 3D 세상을 어떻게 인식할까? 사실 우리가 인식하고 있는 ..

본 글은 네이버 부스트 캠프 AI Tech 기간동안 개인적으로 배운 내용들을 주단위로 정리한 글입니다 본 글의 내용은 새롭게 알게 된 내용을 중심으로 정리하였고 복습 중요도를 선정해서 정리하였습니다 ✅ Week 5 What is multi modal? Visual data & text 1. What is multi modal? Multi Modal은 무엇일까? 바로 다른 특성을 갖는 데이터들을 함께 이용해서 학습한 모델을 의미한다 우리가 일반적으로 Image나 Text와 같이 각각의 데이터를 활용해서 학습시키는 모델은 Unimodal이라고 한다 하지만 Multi Modal은 text와 image를 함께 활용해서 학습시킬 수 있다 즉, Multi Modal은 쉽게 말해서 사람의 판단처럼 여러 감각 기관들에..

본 글은 네이버 부스트 캠프 AI Tech 기간동안 개인적으로 배운 내용들을 주단위로 정리한 글입니다 본 글의 내용은 새롭게 알게 된 내용을 중심으로 정리하였고 복습 중요도를 선정해서 정리하였습니다 ✅ Week 5 Conditional generative model Image translation GANs Pix2Pix Cycle GAN Perceptual loss 1. Conditional generative model 우리가 이전 시간에 배웠던 Gnerative Model을 한번 떠올려보자 간단히 Gnerative model의 output 또는 predict를 표현하자면 random sample 된 값이라고 할 수 있다 하지만 오늘 살펴볼 Conditional generative model은 조금 다..

본 글은 네이버 부스트 캠프 AI Tech 기간동안 개인적으로 배운 내용들을 주단위로 정리한 글입니다 본 글의 내용은 새롭게 알게 된 내용을 중심으로 정리하였고 복습 중요도를 선정해서 정리하였습니다 ✅ Week 5 Landmark Localization Hourglass network DensePose RetinaFace detection object as keypoint conernet centernet ✅Intro 이번에 살펴볼 내용들은 Instance segmentation과 panoptic segmentation의 추가적인 내용으로 Landmark Localization 과 Detection object as keypoint이다 둘의 내용은 조금더 발전된 방법론과 앞에서 살펴본 방법론을 다른 분야..

본 글은 네이버 부스트 캠프 AI Tech 기간동안 개인적으로 배운 내용들을 주단위로 정리한 글입니다 본 글의 내용은 새롭게 알게 된 내용을 중심으로 정리하였고 복습 중요도를 선정해서 정리하였습니다 ✅ Week 5 Instance Segmentation What is Instance? Mask R-CNN YOLACT YolactEdge Panoptic Segmentation What is Panoptic? UpsNet VpsNet ✅1. Instance Segmentation 우리는 지난 시간까지 Semantic Segmentation과 Object detection의 흐름을 살펴보았다 그러나 이러한 task들은 최근 들어서 연구가 활발하게 진행되지 않고 있다 그 이유는 무엇일까? 바로 Instance ..