데이터 사이언스

안녕하세요. 현재 챗봇을 하나 만들어보려고 하는 중입니다. 구글의 Dialogflow를 사용중인데 기본 response에 있는 텍스트 혹은 페이로드는 사용이 어려워 slack을 이용한 반응을 만들어보려고 합니다. 기본 반응은 공란으로 두고 slack 형식의 반응만 작성을 한 상태로 dialogflow 내 우측 상단의 텍스트 입력으로 시험할 때 기본 반응 대신 slack으로 바꾸면 문제 없이 출력이 됩니다. 하지만 integration 탭에서 web demo와 slack에서 test in slack 을 실행했을 시, 웹 데모에서는 empty response가 출력되고 test in slack을 누르면 "redirect_uri did not match any configured URIs. Passed URI: undefined/api-client/" 이라는 오류 메시지가 뜨면서 실행조차 되지 않습니다. 분명 slack 문서에서 안내하는 대로 OAuth & permission 등에 있는 URL을 복사해서 붙였습니다. 어떻게 해야 Dialogflow에서 slack 반응을 출력할 수 있을까요.... 고수님들 도와주십쇼...!

안녕하세요, 저는 움직이는 영상에서 특정 물체를 인식하는 코드를 만들고자 합니다. 다만 유튜브와 깃허브에서 나온 자료들을 활용하여 만들었으나 물체를 인식하는데 정확도가 비교적 떨어집니다. 아래의 코드에서 어떻게 정확도를 높일 수 있을까요? 분석하고자 하는 영상은 아래의 링크와 같으며, 떠다니는 구모양의 powder의 갯수를 세는 것이 목적입니다. 참고 영상: https://www.youtube.com/watch?v=BtKI0_jdjE8 import cv2 from tracker import * # create tracker object tracker = EuclideanDistTracker() cap=cv2.VideoCapture(r"C:\Users\Desktop\spyder\yolov8-custom-object-training-tracking-main\yolov8-custom-object-training-tracking-main\surf\surf.mp4") # Object detectino from Stable camera object_detector = cv2.createBackgroundSubtractorMOG2(history = 100, varThreshold = 40) while True: ret, frame = cap.read() height, width, _ = frame.shape # 1. Object Detection mask = object_detector.apply(frame) _, mask = cv2.threshold(mask, 244, 255, cv2.THRESH_BINARY) contours, _ = cv2.findContours(mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) detections = [] for cnt in contours: # Calculate area and remove small elements area = cv2.contourArea(cnt) if area > 100: # cv2.drawContours(roi, [cnt], -1, (0, 255, 0), 2) x, y, w, h = cv2.boundingRect(cnt) cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 3) detections.append([x, y, w, h]) # 2. Object Tracking boxes_ids = tracker.update(detections) for box_id in boxes_ids: x, y, w, h, id = box_id cv2.putText(frame, str(id), (x, y - 15), cv2.FONT_HERSHEY_PLAIN, 1, (255, 0, 0), 2) cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 3) cv2.imshow("Frame", frame) cv2.imshow("Mask", mask) key = cv2.waitKey(30) if key == 27: break cap.release() cv2.destroyAllwindows()

최근에 구글은 Colab에 AI 코딩 기능을 도입하겠다고 밝혔습니다. Colab은 머신러닝을 공부하는 사람들에게는 꽤 유용한 도구인데요. Colab을 모르시는 분들을 위해 Colab을 금방 살펴볼 수 있도록 간략하게 정리해보았습니다. Google Colab은? Google Colab은 사용하기 쉬운 웹 기반 Python 개발 환경입니다. 특히, 데이터 분석, 머신러닝 및 AI 연구에 매우 유용합니다. Google Colab 시작하기 Google Colab을 사용하려면, 먼저 Google Colab 웹사이트에 접속합니다. 접속하려면 Google 계정이 필요합니다. 로그인한 후, "새 노트"를 클릭하여 새로운 Python 노트북을 생성할 수 있습니다. 셀 작성 및 실행 Colab 노트북은 "셀"로 구성됩니다. 텍스트 셀과 코드 셀 두 가지 유형이 있습니다. 텍스트 셀은 Markdown을 사용하여 작성하고, 코드 셀은 Python 코드를 작성하고 실행하는데 사용합니다. 예를 들어, 다음 Python 코드를 셀에 입력하고 실행해 보겠습니다. print("Hello, Colab!") 셀을 실행하려면 Shift + Enter를 누르거나 셀 왼쪽에 있는 실행 버튼을 클릭합니다. 코드가 실행되고 결과가 셀 바로 아래에 출력됩니다. Google Drive와 연동하기 Google Colab은 Google Drive와 직접 연동이 가능하므로, Google Drive에 저장된 데이터를 불러오거나 저장할 수 있습니다. from google.colab import drive drive.mount('/content/drive') 위의 코드를 실행하면, 인증 코드를 입력하라는 메시지와 함께 새 창이 열립니다. 메시지에 따라 인증 코드를 복사하고 붙여 넣으면 Google Drive가 마운트됩니다. 이제 Google Drive의 파일들을 마치 로컬 파일처럼 접근할 수 있습니다. 라이브러리 사용하기 Colab에서는 필요한 Python 라이브러리를 쉽게 설치하고 사용할 수 있습니다. 예를 들어, numpy라는 라이브러리를 사용하려면 다음과 같이 입력하면 됩니다. import numpy as np 라이브러리가 이미 설치되어 있지 않다면, !pip install 명령을 사용하여 설치할 수 있습니다. 예를 들어, beautifulsoup4 라이브러리를 설치하려면 다음과 같이 입력하면 됩니다. !pip install beautifulsoup4 이처럼 Google Colab은 클라우드 기반의 개방형 데이터 분석 및 머신러닝 플랫폼으로, Python 코드를 작성하고 실행하는 데 필요한 모든 것을 제공하는 유용한 툴입니다. Colab 소개 영상 위 내용을 보셨으면 한글 자막이 제공되는 아래 3분짜리 구글의 Colab 소개 영상을 보시면 더 잘 이해되실 겁니다. Colab 소개 영상

안녕하세요, 다름이 아니라 코드를 진행 하는 과정 중 궁금한 점 몇가지가 있어 질문드립니다. 아래와 같이 코드를 돌렸을 때 iou 의 값이 0.37778513125965146에서 비슷하거나 오르지가 않는데 혹시 어떻게 하면 올릴 수 있나요? cell의 개수를 세고 싶어 코드를 마지막에 작성했는데, ValueError: buffer is not large enough 오류가 뜹니다. 이 오류의 해결 방법을 알 수 있을까요? 오류 내용: File "C:Users.spyder-py3practice1_051423.py", line 204, in count_cells(prediction_other[test_img_number], t = 65) File "C:Users.spyder-py3practice1_051423.py", line 173, in count_cells plt.imsave('test.png', img_mask) File "C:Usersanaconda3libsite-packagesmatplotlibpyplot.py", line 2165, in imsave return matplotlib.image.imsave(fname, arr, **kwargs) File "C:Usersanaconda3libsite-packagesmatplotlibimage.py", line 1645, in imsave image = PIL.Image.frombuffer( File "C:Usersanaconda3libsite-packagesPILImage.py", line 2893, in frombuffer im = im._new(core.map_buffer(data, size, decoder_name, 0, args)) ValueError: buffer is not large enough 코드: from simple_unet_model import simple_unet_model # Use normal unet model from keras.utils import normalize import os import cv2 from PIL import Image import numpy as np from matplotlib import pyplot as plt image_directory = r"C:UsersDesktopVS Codecell_images" mask_directory = r"C:UsersDesktopVS Codecell_masks" SIZE = 256 image_dataset = [] mask_dataset = [] images = os.listdir(image_directory) for i, image_name in enumerate(images): if (image_name.split('.')[1] == 'png'): image_path = os.path.join(image_directory, image_name) image = cv2.imread(image_path,0) if image is None: print(f"Unable to read image file: {image_path}") continue image = Image.fromarray(image) image = image.resize((SIZE, SIZE)) image_dataset.append(np.array(image)) masks = os.listdir(mask_directory) for i, image_name in enumerate(masks): if (image_name.split('.')[1] == 'png'): image_path = os.path.join(mask_directory, image_name) image = cv2.imread(image_path,0) if image is None: print(f"Unable to read image file: {image_path}") continue image = Image.fromarray(image) image = image.resize((SIZE, SIZE)) mask_dataset.append(np.array(image)) # Normalize images image_dataset = np.expand_dims(normalize(np.array(image_dataset), axis = 1),3) #D not normalize masks, just rescale to 0 to 1. mask_dataset = np.expand_dims((np.array(mask_dataset)),3) /255 from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(image_dataset, mask_dataset, test_size = 0.10, random_state = 0) # Sanity check, view few images import random import numpy as np image_number = random.randint(0, len(X_train)) plt.figure(figsize = (12, 6)) plt.subplot(121) plt.imshow(np.reshape(X_train[image_number], (256, 256)), cmap = 'gray') plt.subplot(122) plt.imshow(np.reshape(y_train[image_number], (256, 256)), cmap = 'gray') plt.show() ####################################################################### IMG_HEIGHT = image_dataset.shape[1] IMG_WIDTH = image_dataset.shape[2] IMG_CHANNELS = image_dataset.shape[3] def get_model(): return simple_unet_model(IMG_HEIGHT, IMG_WIDTH, IMG_CHANNELS) model = get_model() # if starting with pre-trained weights. # model.Load_weights('mitochondria_gpu_tf1.4.hdf5) history = model.fit(X_train, y_train, batch_size = 16, verbose = 1, epochs = 50, validation_data = (X_test, y_test), shuffle = False) model.save('cell_test1.hdf5') ########################################################### # Evaluate the model _, accuracy = model.evaluate(X_test, y_test) print("Accuracy = ", (accuracy * 100), "%") # Plot the training and validation accuracy and Loss at each epoch loss = history.history['loss'] val_loss = history.history['val_loss'] epochs = range(1, len(loss) + 1) plt.plot(epochs, loss, 'y', label = 'Training loss') plt.plot(epochs, val_loss, 'r', label = 'Validation loss') plt.title('Training and validation loss') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() plt.show() accuracy = history.history['accuracy'] # acc = accuracy val_accuracy = history.history['val_accuracy'] plt.plot(epochs, accuracy, 'y', label = 'Training acc') plt.plot(epochs, val_accuracy, 'r', label = 'Validation acc') plt.title('Training and validation accuracy') plt.xlabel('Epochs') plt.ylabel('Accuracy') plt.legend() plt.show() **################################## #IOU y_pred=model.predict(X_test) y_pred_thresholded = y_pred > 0.5 intersection = np.logical_and(y_test, y_pred_thresholded) union = np.logical_or(y_test, y_pred_thresholded) intersection = np.sum(intersection) union = np.sum(union) iou_score = intersection / union print("IoU score is: ", iou_score)** ############################################################## # predict on a few images model.load_weights('cell_test1.hdf5') test_img_number = random.randint(0, len(X_test)) test_img = X_test[test_img_number] ground_truth = y_test[test_img_number] test_img_norm = test_img[:,:,0][:,:,None] test_img_input = np.expand_dims(test_img_norm, 0) prediction = (model.predict(test_img_input)[0,:,:,0] > 0.5).astype(np.uint8) test_img_other = cv2.imread(r"C:UsersDesktopVS Codecell_imagesMar24bS1C2R1_DMl_200x_y.png", 0) test_img_other_norm = np.expand_dims(normalize(np.array(test_img_other), axis = 1), 2) test_img_other_norm = test_img_other_norm[:,:,0][:,:,None] test_img_other_input = np.expand_dims(test_img_other_norm, 0) prediction_other = (model.predict(test_img_other_input)[0,:,:,0] > 0.5).astype(np.uint8) plt.figure(figsize = (16, 8)) plt.subplot(231) plt.title("Testing Image") plt.imshow(test_img[:,:,0], cmap = 'gray') plt.subplot(232) plt.title('Testing Lable') plt.imshow(ground_truth[:,:,], cmap = 'gray') plt.subplot(233) plt.title("Prediction on test image") plt.imshow(prediction, cmap = 'gray') plt.subplot(234) plt.title("External Image") plt.imshow(test_img_other, cmap = 'gray') plt.subplot(235) plt.title('Prediction of external Image') plt.imshow(prediction_other, cmap = 'gray') plt.show() ########################################################################## **# count cells using predicted mask original_img = test_img[test_img_number] img0 = original_img.copy() #img0 = np.asarray(original_img) plt.imshow(img0) plt.show() def count_cells(pred_mask, t = 65): img_mask = np.squeeze(pred_mask) plt.imsave('test.png', img_mask) image = Image.open('test.png').convert("L") img = np.asarray(image) img = img.copy() blur = cv2.GaussianBlur(img, (5, 5), 0) (t, binary) = cv2.threshold(blur, t, 255, cv2.THRESH_BINARY) # find contours (_, contours, _) = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CAHIN_APPROS_SIMPLE) # create all-black mask image mask = np.zeros(img.shape, dtype = 'uint8') # draw white rectangles for each object's bounding box for c in contours: (x, y, w, h) = cv2.boundingRect(c) cv2.rectangle(mask, (x, y), (x + w, y + h), (255, 255, 255), -1) # draw contours over original image cv2.drawContours(img, contours, -1, (255, 100, 100), 1) plt.imshow(img) plt.show() # print table of contours and sizes print("Found {} cells".format(len(contours))) for (i, c) in enumerate(contours): print(" Size of cell {}: {}".format(i, len(c))) return count_cells(prediction_other[test_img_number], t = 65)**

안녕하세요, 현재 딥러닝으로 세포 image segmentaion을 하려고 하는데요. 제가 코드를 돌리면 iou = 0이 뜨고, 아래의 첨부한 그림과 같이 그래프가 뜨질 않습니다. 혹시 어떤 부분을 수정해야할까요? from simple_unet_model import simple_unet_model # Use normal unet model from keras.utils import normalize import os import cv2 from PIL import Image import numpy as np from matplotlib import pyplot as plt image_directory = r"C:\Users\Desktop\VS Code\cell_images" mask_directory = r"C:\Users\Desktop\VS Code\cell_masks" SIZE = 256 image_dataset = [] mask_dataset = [] images = os.listdir(image_directory) for i, image_name in enumerate(images): if (image_name.split('.')[1] == 'png'): image_path = os.path.join(image_directory, image_name) image = cv2.imread(image_path,0) if image is None: print(f"Unable to read image file: {image_path}") continue image = Image.fromarray(image) image = image.resize((SIZE, SIZE)) image_dataset.append(np.array(image)) masks = os.listdir(mask_directory) for i, image_name in enumerate(masks): if (image_name.split('.')[1] == 'png'): image_path = os.path.join(mask_directory, image_name) image = cv2.imread(image_path,0) if image is None: print(f"Unable to read image file: {image_path}") continue image = Image.fromarray(image) image = image.resize((SIZE, SIZE)) mask_dataset.append(np.array(image)) # Normalize images image_dataset = np.expand_dims(normalize(np.array(image_dataset), axis = 1),3) #D not normalize masks, just rescale to 0 to 1. mask_dataset = np.expand_dims((np.array(mask_dataset)),3) /255 from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(image_dataset, mask_dataset, test_size = 0.10, random_state = 0) # Sanity check, view few images import random import numpy as np image_number = random.randint(0, len(X_train)) plt.figure(figsize = (12, 6)) plt.subplot(121) plt.imshow(np.reshape(X_train[image_number], (256, 256)), cmap = 'gray') plt.subplot(122) plt.imshow(np.reshape(y_train[image_number], (256, 256)), cmap = 'gray') plt.show() ####################################################################### IMG_HEIGHT = image_dataset.shape[1] IMG_WIDTH = image_dataset.shape[2] IMG_CHANNELS = image_dataset.shape[3] def get_model(): return simple_unet_model(IMG_HEIGHT, IMG_WIDTH, IMG_CHANNELS) model = get_model() # if starting with pre-trained weights. # model.Load_weights('mitochondria_gpu_tf1.4.hdf5) history = model.fit(X_train, y_train, batch_size = 16, verbose = 1, epochs = 1, validation_data = (X_test, y_test), shuffle = False) model.save('cell_test1.hdf5') ########################################################### # Evaluate the model _, accuracy = model.evaluate(X_test, y_test) print("Accuracy = ", (accuracy * 100.0), "%") # Plot the training and validation accuracy and Loss at each epoch loss = history.history['loss'] val_loss = history.history['val_loss'] epochs = range(1, len(loss) + 1) plt.plot(epochs, loss, 'y', label = 'Training loss') plt.plot(epochs, val_loss, 'r', label = 'Validation loss') plt.title('Training and validation loss') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() plt.show() accuracy = history.history['accuracy'] # acc = accuracy val_accuracy = history.history['val_accuracy'] plt.plot(epochs, accuracy, 'y', label = 'Training acc') plt.plot(epochs, val_accuracy, 'r', label = 'Validation acc') plt.title('Training and validation accuracy') plt.xlabel('Epochs') plt.ylabel('Accuracy') plt.legend() plt.show() ################################## #IOU y_pred=model.predict(X_test) y_pred_thresholded = y_pred > 0 intersection = np.logical_and(y_test, y_pred_thresholded) union = np.logical_or(y_test, y_pred_thresholded) iou_score = np.sum(intersection) / np.sum(union) print("IoU socre is: ", iou_score) ############################################################## # predict on a few images model = get_model() test_img_number = random.randint(0, len(X_test)) test_img = X_test[test_img_number] ground_truth = y_test[test_img_number] test_img_norm = test_img[:,:,0][:,:,None] test_img_input = np.expand_dims(test_img_norm, 0) prediction = (model.predict(test_img_input)[0,:,:,0] > 0.2).astype(np.uint8) test_img_other = cv2.imread(r"C:\Users\Desktop\VS Code\cell_images\37_y.png", 0) test_img_other_norm = np.expand_dims(normalize(np.array(test_img_other), axis = 1), 2) test_img_other_norm = test_img_other_norm[:,:,0][:,:,None] test_img_other_input = np.expand_dims(test_img_other_norm, 0) prediction_other = (model.predict(test_img_other_input)[0,:,:,0] > 0.2).astype(np.uint8) plt.figure(figsize = (16, 8)) plt.subplot(231) plt.title("Testing Image") plt.imshow(test_img[:,:,0], cmap = 'gray') plt.subplot(232) plt.title('Testing Lable') plt.imshow(ground_truth[:,:,], cmap = 'gray') plt.subplot(233) plt.title("Prediction on test image") plt.imshow(prediction, cmap = 'gray') plt.subplot(234) plt.title("External Image") plt.imshow(test_img_other, cmap = 'gray') plt.subplot(235) plt.title('Prediction of external Image') plt.imshow(prediction_other, cmap = 'gray') plt.show()

안녕하세요 머신러닝 한창 공부중입니다.   서식이 있는 문서 사진을 분석하여 자동분류를 하고 텍스트를 추출하는 프로그램을 만들려고합니다. 찾다가 구글에서 vision-ai 를 알게 되었는데요.   vision-ai도 보니까 vision-api, automl vision 두가지로 나뉘더라구요. vision-api는 구글에서 제공하는 선행학습된 모델을 가지고있는거같고.. automl vision은 내가 학습시켜서 커스텀된 모델을 만드는거라고 이해했습니다.   저는 automl vision을 통해서 학습은 학습대로 돌려서 저만의 모델을 사용하면서, 구글의 vision-api가 미리 선행학습한 모델도 함께 사용하고싶은데요   같이 통합해서 사용한느 방법이 있을까요?? 답변주시면 감사드리겠습니다 ㅠ

안녕하세요 프로그래밍 초보입니다.  구글에서 제공하는 auto vision product search api 를 이용해서 웹어플리케이션을 만드려고 하는데 how to guide 를 따라가다가 https://cloud.google.com/vision/product-search/docs/create-product-set#vision-product-search-create-prod-set-drest 이 부분이 도저히 이해가 되지 않아서 도움을 구합니다ㅠㅠ    python 으로 몇차례 실습한 경험만 있어서 배경 지식이 없는데  product set 를 만드는 명령어들이 이해가 되지 않습니다..    이해가되지 않아도 cloud shell, 로컬 cmd, python 으로 이렇게 저렇게 시도해봤지만 역시 작동하지 않고  검색으로도 찾아지지가 않아서 답답한 마음에 질문 드립니다.    위 사이트에서 이야기하는 명령어들을 어떻게 사용하면 되는지 꼭 좀 알려주세요! 감사합니다! 

안녕하세요.   저희와 딥러닝 스터디를 끝까지 함께할 분을 모집합니다. 저번주 화요일 처음 스터디를 시작했고 실제로 진행한 날은 금요일 3시간 가량입니다.   저번주 금요일 3시간 가량 실제로 스터디를 진행하면서, 그때 진행한 내용이 절대 혼자서는 진도를 나가기 힘들겠다는 결론을 내렸습니다.   스터디에 참가하시는 분중에 딥러닝을 실제 업무에서 적용하고 계신분이 잘 설명하고 이끌어주셔서 금요일 진행한 부분을 이해했지 그분의 설명이 없었다면 이해하기 힘들었을 겁니다. 문제는 금요일 모인 사람이 너무 적었다는 것입니다. 그래서 이번주 화요일에 지난주 금요일 했던 내용을 다시 스터디 하기로 했습니다.     마지막으로 저희와 딥러닝 스터디를 함께할 분을 최종적으로 모집합니다.   첫 스터디 모집때 중간에 들어와도 된다고 모집 공고를 했었는데 실제 스터디를 진행해보니 중간에 들어와서는 절대 따라갈수 없다는 결론을 내렸습니다.   실제로 해보니 책만 가지고 기본 지식없이 공부하기에 무리가 있는 분야인것 같습니다.   하지만 지금 저희와 함께 하신다면 저희와 함께 보다 쉽게 딥러닝을 배우실수 있습니다. 그게 저희와 딥러닝 스터디할때 장점입니다. 개인적으로 공부하신다면 개인적으로 생각하기에 쉽지 않은 시간과 노력을 드려야 할것 같다고 생각합니다.   저희는 매주 화, 금요일 오후 8시에 아래 스카이프 오픈 그룹에 모여 스터디를 진행합니다.   https://join.skype.com/OsqesNuYWpef   그러니 이번주 화요일 저희와 스터디 함께 하고자 하시는 분은 저에게 스터디 참여 의사를 먼저 메일(bckddn 골뱅 gmail.com) 혹은 스카이프 ID(woos 골뱅 geekbaek.com)로 연락 주시고 화요일 오후 8시에 위 오픈 스터디 그룹에 스카이프로 참여하시면 됩니다. 위 스터디 그룹은 당분간은 열어 놓겠지만 스터디 정예 멤버가 셋팅되면 그룹을 비공개로 전환할 예정입니다.   교재는 아래 교재를 사용합니다.   골빈해커의 3분 딥러닝 텐서플로 코드로 맛보는 CNN, AE, GAN, RNN, DQN (+ Inception) http://www.yes24.com/24/goods/49853812?scode=032&OzSrank=6   지난주 금요일 3시간동안 처음 책을 읽기 시작해서 "6장. 헬로 딥러닝, MNIST"까지 학습 했습니다. 해당 내용을 이번주 화요일에도 진행할 예정인데 스터디에 참여하고자 하시는 분은 꼭 한번 읽어보고(이해하실 필요는 없습니다.) 오시는게 좋을것 같다고 말씀드리고 싶습니다.   저번주에 제가 아무른 예습 없이 위 내용을 스터디때 학습했었는데, 예습 없이 학습하기에 쉽지 않은 부분이였습니다.    공부를 시작할때 개념잡기가 어려운데 그 부분만 지나고 나면 어느정도 정리가 되어서 할만했던것 같습니다.   인공지능은 이제 IT 분야에서 무시하고 갈수 있는 분야가 아닙니다. 4차 산업 혁명의 중심이기 때문에 언젠가는 모두가 해야될 분야입니다. 그렇지 않으면 도태 될것이라고 봅니다.   언젠가는 해야될 분야를 지금 적기에 저희와 함께하면 시작하면 인생에 있어 큰 기회와 도움이 될거라 생각합니다. 적어도 저에게 있어 제가 스스로 느끼기에 지금 스터디가 저에게 엄청난 기회인것 분명한것 같습니다. 그러니 뜻이 있는 사람들이 오셨으면 합니다.     감사합니다.  

머신러닝(Machine Learning, 기계학습)과 딥러닝(Deep Learning, 심층학습)의 차이는 뭘까? AI(Artificial Intelligence, 인공지능)에 대한 관심이 높아지면서 머신러닝(Machine Learning, 기계학습)과 딥러닝(Deep Learning, 심층학습) 차이가 무엇인지 궁금해졌다. 1. 머신러닝(Machine Lea... mansoo-sw.blogspot.kr 머신러닝(Machine Learning, 기계학습)과 딥러닝(Deep Learning, 심층학습)의 차이는 뭘까? AI(Artificial Intelligence, 인공지능)에 대한 관심이 높아지면서 머신러닝(Machine Learning, 기계학습)과 딥러닝(Deep Learning, 심층학습) 차이가 무엇인지 궁금해졌다.