분류 전체보기 (73) 썸네일형 리스트형 [딥러닝] 딥러닝 기초 1. 퍼셉트론(Perceptron)초기 형태의 인공 신경망다수의 입력으로부터 하나의 결과를 내보내는 알고리즘x는 입력값, w는 가중치, y는 출력값각각의 입력값은 각각의 가중치를 가지며, 가중치가 클수록 입력값의 중요도 높아짐각 입력값이 가중치와 곱해져서 인공 뉴런에 보내지고, 입력값*가중치의 전체 합이 임계치(threshold)를 넘으면 종착지에 있는 인공 뉴런은 출력 신호로서 1 출력, 아니면 0 출력 => 계단 함수 Step Function임계치를 좌변으로 넘겨 b(편향)으로 사용할 수 있음편향 b도 퍼셉트론의 입력으로 사용됨, b도 딥 러닝이 최적화해야 할 변수 중 하나2. 단층 퍼셉트론 (Single-Layer Perceptron)입력층과 출력층만 있는 퍼셉트론직선 하나로 두 영역을 나눌 수 있.. [운영체제] File System - 운영체제의 구성요소 중 유일하게 별도로 판매되는 부분- 2차 저장 장치를 다루기 때문에 굉장히 느림 -> 다양한 복잡한 기술이 들어감 File데이터나 프로그램을 담는 그릇구조None: words, bytes의 시퀀스Simple record structure: 한 덩어리의 데이터가 라인으로 구분되는 것Complex Structure: Formatted document, Relocatable load fileOS, Program이 구조 결정File Attributes(File Metadata); 파일에 대한 정보Name: 데이터를 잘 표현할 수 있는 이름으로 지음Type: 데이터 타입을 보여주는 것Location: 현재 저장장치에 담겨있는 위치Size, Protection, Time, Date, user.. [RDS] AWS RDS란, Django-RDS 연결, DBeaver RDS(Relational Database Service): aws 환경에서 관계형 데이터베이스를 설치, 운영 및 규모를 조정할 수 있는 관리형 서비스 컬렉션클라우드 데이터베이스는 성능, 규모 조정, 비용 효율성 등의 이점 제공Amazon RDS의 관계형 데이터베이스 엔진Amazon Aurora: MySQL 및 PostgreSQL과 호환되는 관계형 데이터베이스 엔진, 높은 성능과 가용성이 특징Amazon RDS for Oracle: 비용 효율적이면서 크기 조정이 가능한 하드웨어 용량을 갖춘 여러 버전의 Oracle 데이터베이스를 몇 분 만에 배포 가능Amazon RDS for SQL Server: 클라우드에서 SQL Server를 쉽게 설치, 운영 및 확장 가능Amazon RDS for MySQL: 익.. [Django] Django, PostgreSQL 연동하기 1. PostgreSQL 설치 본인 OS 환경에 맞게 postgresql 설치 2. DBeaver 설치 (DB를 더 편하게 보기 위한 도구, Option)DBeaver는 SQL 클라이언트이자 데이터베이스 관리 도구 이런 식으로 관계도도 볼 수 있고 데이터도 볼 수 있고사용자 권한도 확인 가능 3. postgres 쉘 접속DB, USER, PASSWORD 생성 후 USER에 권한 부여 4. Django 프로젝트 설정# 프로젝트 settings 파일DATABASES = { 'default': { 'ENGINE': 'django.db.backends.postgresql', 'NAME': '', 'USER': '', 'PASSW.. [DB] DBMS 쌩기초 Database: Data의 집합OS는 File System을 통해 파일을 디스크에 관리하지만 Concurrency Control(유저들이 동시에 접근 가능하도록)이나 recovery(작성하다 전원 나간 경우)를 보장하지 않음=> Database를 관리하는 Database Management System(DBMS)가 필요 DBMS의 종류는 크게 2가지RDBMS(Relational DBMS): 키(key)와 값(value)들의 간단한 관계를 테이블화 시킨 매우 간단한 원칙의 전산정보 데이터베이스 ex) MySQL, PostgreSQL, Oracle database...NoSQL: 전통적 RDBMS보다 덜 제한적인 매커니즘 제공, 단순 검색 및 추가 작업을 위한 매우 최적화된 키 값 저장 공간 ex) Mon.. [논문리뷰] A Comparative Study of Time Series Anomaly Detection Models for Industrial Control Systems - 산업 제어 시스템(Industrial control systems)의 결함, 사이버 공격 등 이상 탐지를 위해 다섯 가지 대표적인 시계열 이상 감지 모델 (InterFusion, RANSynCoder, GDN, LSTM-ED, USAD) 의 비교 연구를 수행- 공개 데이터셋인 SWaT와 HAI 사용- 기존의 머신러닝 기반 이상 탐지 연구는 정상 데이터만을 이용해 비정상 행위를 탐지하는 비지도학습 접근에 초점- 환경과 데이터셋을 동일하게 하고 모델 간 비교 진행 Anomaly Detection in Industrial Control SystemsICS 구조ICS는 산업 분야의 물리적 프로세스를 관리하며 ICT(Information & Communication Technology)와 결합함에 따라 사이버.. [운영체제] Virtual Memory(2) 프로세스에게 몇 개의 프레임이 할당되는지 결정해야 함 -> Allocation of FramesHW/SW 측면에서 요구사항이 있음instruction 수행 과정에서 page fault가 안 나려면 최소 6개의 페이지 필요Loop 내의 page는 한꺼번에 allocate 되는 것이 유리함그렇지 않으면 매 loop page fault 발생 Fixed Allocation프로세스의 크기에 따라 고정적인 프레임 개수 할당하는 방식, 크기 비례 할당Priority Allocation프로세스 중요도 기반 프레임 할당중요도 높은 프로세스는 빨리 끝나야 됨 -> 프레임 많이 할당 -> page fault(I/O) 적게 발생 -> waiting 상태 감소 => 크기나 중요도만으로 프레임을 할당했을 때 너무 많이 page .. [논문리뷰] WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation zero-shot 이미지 분류: 특정 카테고리의 예시가 포함된 데이터를 학습되지 않은 모델을 사용해 이미지 분류를 수행하는 작업one-shot: 하나의 샘플 이미지만으로 새로운 클래스를 인식few-shot: 한 클래스당 일부 샘플 이미지만 사용하여 새로운 클래스 인식dense features; 이미지 데이터의 로컬 및 전역 특징을 보다 세밀하게 포착하는 특성window; 고정된 크기의 부분 집합, 데이터를 일정한 크기의 시,공간적 단위로 분할 INTRODUCTIONvision-language 모델인 CLIP(Contrastive Languate Image Pre-training)은zero/few-shot 성능을 보여주며 혁신적인 일반성을 보였으나 이상 분류 및 분할에는 한계가 있음정상 이미지에서 보완적 .. 이전 1 2 3 4 5 6 7 ··· 10 다음 목록 더보기
