무말랭이 숙성중

Android Studio의 Build Gradle: - Gradle, Gradle plug in - 안드로이드 앱. 라이브러리를 컴파일/빌드 및 패키징 하기 위한 유연한 방법 제공 - 즉, 컴파일, 빌드(프로젝트 및 소스관리)를 좀 더 쉽고 빠르게 할 수 있도록 설정할 수 있는 단계 - build gradle 설정을 통해서 빌드 속도도 향상시킬수 있다고 한다! Android studio에서는 단일 프로젝트 또는 다중 프로젝트를 만들 수 있다. 어떤경우가 있냐면.. aar 파일로 import할경우, 해당 library부분이 바뀌면 다시 aar로 추출한다음에 import를 해줘야하는데.. 이렇게 연관있는 프로젝트끼리 작업능률과 속도를 높이기 위해서라고 한다. Reference: 1) 안드로이드 스튜디오 가..

Well, I was going to make an application through android studio,but the situation was that my directory was 'C\Users\Hyejung Son\.....' I guess the space between file name(hyejung and son) could trigger some conflict inside of android studio.so I tired changing the username and summarize here the detail. reference : 1) https://steemit.com/aapt2/@kikiko/10-aapt2 2) https://texit.tistory.com/32 En..

(공부를 위한 글입니다) Vision, 영상처리에서 이미지의 공간 정보를 유지한 상태로 학습시키기 위한 모델 예측/분류 및 여러가지 결과를 얻고자 학습을 위해 (Deep) Neural Network를 사용해본 적이 있을 것. 그럼 이미지는 어떻게 학습을 시킬 수 있을까? 이미지 데이터는 MxNx3(RGB) 3차원으로 표현되는데, 이를 처음부터 1차원으로 pixel값을 풀어서 Neural Network를 수행한다고 하면 이미지 데이터 특유의 공간 정보 (옆픽셀간의 상관관계, 색깔-channel이 가지는 특징)를 잃을 수 있다. 결국 정확도가 낮아지고 학습이 비효율적이어 진다. 이미지의 공간 정보를 유지한 채로 학습이 가능하도록 한 것이 CNN 모델이다! CNN 모델은 이미지로부터 feature(특징으로, ..

1. Root directory : / Home directory : ~ 2. 1) touch 2) wc //word count(number of lines , number of word, number of characters) 3) less 4) head , tailhead -n (보기 원하는 줄수) 5) echo 6) output redirection : > , >>> : 파일을 새로이 덮어씌움>> : 있는 파일에 내용이 더해짐 7) 폴더/파일명을 바꿀때 mv를 사용함mv text1.txt text2.txt // text1 -> text2로 파일명 변경 8) cp 의 옵션중 -r 은 하위 디렉토리까지 모두 복사하는 기능! 9) command line에서 파일이나 폴더를 삭제하는것을 권장하지 않는다.대..

Python에서 문자열은 변할 수 없다! 다만, 문자열의 일부를 다른 문자열로 복사하여 사용한다! ex1) 복사는 가능1234myStr1 = 'my 'myStr2 = 'string!'myNewStr = myStr1 + myStr2//myNewStr = 'my string!'cs ex2) 문자열내 수정 불가능 1234myStr = 'This is for test'myStr[3]//'s'//myStr[3] = 'd' //error!cs 1. Print와 인터프리터의 자동 출력 결과는 다르다 - print는 문자열에서 인용부호를 제거한 뒤 내용을 출력! - ' , \n과 같은 문자들을 실제로 적용/제거한 뒤 결과가 나옴 2. 빈 문자열 - 빈 문자열을 이용하여 여러 문자열을 합칠때 공백을 넣을 수 있다. 12..

Comparing to human-level performance, Avoidable bias? Cat classification을 다시 예로 들때, ERROR율이 다음과 같다고 하자. Human 1%Training 8%Dev 10% - 현재, Human과 Training error사이의 gap이 꽤 크다 => Reducing bias 이경우에 Human-level error와 training error에 집중하여 training error를 줄여야한다. 이 과정을 Reducing bias라고 하며 아래의 방법이 있다ex) Bigger NN train, Run train set longer Human 7.5%Training 8%Dev 10% - 한편, Human error과 training error사이..

Comparing to human-level performance why human level performance?? 기계와 시간이 지남에 따라 Accuracy가 올라간다고 할때, 위의 그래프는, 일정 시간이 지날때 Human의 accuracy을 넘을 순 있지만 Bayes optimal error구간을 도달하지 못함을 보여준다. 실제로 Human level performance를 넘길때까진 성능과 속도가 증가한다. 하지만 아무리 오랜 시간을 투자해도 Bayes optimal error을 surpass(넘길수)없다. 왜냐하면 accuracy는 noisy때문에(고양이 사진에서는 blur 등) 절대 100%의 정확도를 가질 수 없기 때문이다. So, Human-level performance가 더 좋고 ML..

Cat classifier 를 생각해보자, A algo: 3% errorB algo: 5% error evaluation metric이 위와 같다고 할때, A알고리즘이 마냥 좋은것이라고 할 수 있을까? A algo : 3% error + pornographicB algo : 5% error + no-pornographic 라고하고 이 고양이 Classifier 가 상용화되려는 과정이라고하면 User와 회사는 B를 선택할것이다. 이럴 경우 evaluation metric이 잘못되었으므로 evaluation metric을 다시 설정해야 한다. 그럼 pornographic image를 cat으로 분류하는 현재상태에서 어떻게 해야 cat으로 분류가 안되도록 할 수 있을까? 위의 경우엔 Error율을 아래의 과정..