유승훈

본 도서는 한빛미디어 도서 서평단 로 선정되어 받은 도서입니다. 리뷰 작성 겸 각 챕터를 간단하게 정리해보고자 합니다. 앞장에서 합성 데이터란 무엇이고, 어떻게 활용되고 있는지 등의 개괄적인 내용을 살펴봤다면, 이번 장에서는 데이터 합성에 있어 신경써야 할 주요사항들을 소개하고 있습니다. 데이터 합성 기술을 사용할때는, 데이터를 합성하는 것이 타 개인정보 강화기술을 사용하는것보다 좋은 방법인지 판단해야 합니다. 데이터 합성의 핵심요소 프로세스 - 데이터 파이프라인에 합성기술 통합. 구조 - 데이터 생성을 위한 기술, 능력, 교육 등의 요소. 기술선택을 위한 의사결정 식별화 가능성 스펙트럼 - 데이터에서 신원, 정체를 알게 될 확률을 기반으로 한 개인정보 - 비개인정보 판단. PET 선택의 절충 - 프라이..

이번 강의에서는 딥러닝, 머신러닝에 대한 설명이나 활용보다는 역사가 어떻게 흐르면서 발전했는지를 설명합니다. 인류가 기계에 있어 궁극적으로 삼는 목표는, 사람을 대신해서 귀찮은 일을 해결해주는 기계를 만드는 것입니다. 사람을 대신해서 일을 시키려면, 먼저 인간이 어떻게 생각하는가?에 대한 이해가 필요했습니다. 연구결과 뇌의 구조는 상당히 복잡하지만, 뇌를 이루는 각 Unit인 뉴런은 상당히 단순하게 동작한다는 것을 알 수 있었습니다. 뉴런은 Input에 대해 각자의 Weight를 갖고 합쳐지고, Bias를 더해 그 다음 단계로 넘어가는 방식으로 동작하고 있었습니다. 또 이 값이 정해진 어떤 값 이상이면 활성화되고, 아니면 활성화되지 않는다는것도 알 수 있었습니다. 연구자들은 이런 형태의 구조는 수학적 구..

앞서 배웠던 머신러닝에서 개념적인 부분이 아니라 실제 적용을 위해서 필요한 내용들을 살펴봅니다. Gradient Descent. 경사하강법에서 Learning Rate는 기울기로 Weight를 업데이트할 때 기울기를 얼만큼 반영할지에 대한 지표입니다. Tensorflow에서도 기울기와 Learning Rate를 통해 실제 모델값을 최적의 값으로 업데이트 할 수 있습니다. 이 Learning Rate에 따라 모델의 학습 성능이 달라집니다. 보통은 0.01의 작은 값을 사용합니다. 꼭 0.01을 써야 하는 것은 아니고, 적절한 값을 찾아야 합니다. 너무 큰 Learning Rate는 Cost가 낮아지는 것이 아니라 오히려 커지는 방향으로 업데이트가 이루어질 수 있습니다. 너무 작은 Learning Rate는..

우리는 지난번에 Logistic Regression에 대해서 배웠습니다. 간단하게 이야기하면, 모델을 학습하는 것이 두 Class를 가장 잘 구분하는 선을 찾는 것이었습니다. 여기서는 두개의 Class, 즉 이진분류였습니다. 그런데 이것을 Multinomial, 다중분류에도 활용하면 어떻게 될까요? 각 Classifier는 표현하자면 담당하는 Class가 아닌 나머지는 모두 같은 Class로 생각한다고 볼 수 있습니다. 각각의 Class인지 아닌지만을 구분하는 Classifier인 것입니다. 이러한 형태의 Classifier가 3개 있다면 계산이 복잡할 수 있습니다. Class가 늘어날수록 계산이 더 복잡해집니다. 그래서 분리되어 있는 Weight Vector들을 하나의 Matrix로 만든다고 생각하면,..