전체 글

본 게시물은 학습의 목적으로, 공개된 수업 자료를 토대로 개념을 요약 정리한 글입니다.오타나 바로 잡을 사항이 있다면, 코멘트는 언제나 환영합니다!Goal of Lecture 06Batch NormalizationTransfer learningAlexNet, VGG, ResNet1. How to Build CNNs?1-1. Components of CNNs (Conv, Pooling, FC, Normalization, Dropout, Activation Func) We already took alook convolution layers, pooling layers and Fully-Connected Layers before.We will learn about Normalization Layer, Drop..

본 게시물은 학습의 목적으로, 공개된 수업 자료를 토대로 개념을 요약 정리한 글입니다.오타나 바로 잡을 사항이 있다면, 코멘트는 언제나 환영합니다! Goal of Lecture 05History of Convolutional Neural Networks (Gradient -> ConvNets -> Transformers)Higher-level representations, image featuresConvolution and pooling0. Recap: Deep Learning Basics (Lecture 2 - 4)더보기0-1. Image Classification with Linear ClassifierThis basically sets up a functional form saying that..

본 게시물은 학습의 목적으로, 공개된 수업 자료를 토대로 개념을 요약 정리한 글입니다.오타나 바로 잡을 사항이 있다면, 코멘트는 언제나 환영합니다! Goal of Lecture 04Multi-layer PerceptronBackpropagation1. Multi-layer Perceptron1-1. Neural networks, fully connected network, multi-layer perceptrons (MLP)keypoints1) H : the number of hidden layers, nodes, or neruons2) max function is to create a non-linearity between the linear transformations done by W1 and W..

본 게시물은 학습의 목적으로, 공개된 수업 자료를 토대로 개념을 요약 정리한 글입니다.오타나 바로 잡을 사항이 있다면, 코멘트는 언제나 환영합니다! Goal of Lecture 03RegularizationStochastic Gradient DescentMomentum, AdaGrad, AdamLearning rate schedules1. Regularization1-1. loss function: How do we mathematically formalize this intuition?Data loss term : how well do the model predictions match our training data(if it's very low, it means our model is fitting..

보호되어 있는 글입니다.

보호되어 있는 글입니다.