본문 바로가기
728x90

분류 전체보기

 (430)
DB - 7. More SQL statements(2) 1. Exists - exist는 ()안에서 튜플이 하나도 안나온다면 F 하나라도 나왔다면 T를 반환한다. - subquery는 outer query의 횟수만큼 계속 실행된다. section이 1000개라면 subquery도 1000번 돌아야 하는 것이다. - 두 쿼리가 correlated 되어있기 때문이다 (S.course_id 때문) - 이전시간에 배운 in의 경우는 subquery는 딱한번 실행되고 나온 결과로 바깥 query가 돈다. - 두 쿼리가 correlated 되어 있지않기 때문이다 - not exist는 튜플이 하나도 나오지 않아야 true가 된다. - 참고로 subquery에 첫번째 쿼리는 한번 수행된 결과로 대체가 가능하지만 두번재 쿼리는 매번 학생의 id를 가지고 반복된다. 2. U..
DeepLearning 2-1-2 training 속도를 빠르게 할 수 있는 테크닉들을 알아보자. x input 벡터들의 평균이 0이 되도록 원점으로 training set을 이동시킨다. feature x1 이 feature x2보다 더 넓은 편차를 갖기 때문에 이를 조정해준다 (normalization) (training, test set모두 동일한 뮤와 시그마로 normalization을 거쳐야 한다.) normalization을 거치지 않은 데이터와 거친 데이터에 대해 gradient descent과정을 살펴보면 다음과 같다. 더 빠르게 최적화가 진행될 수 있다. unit이 두개인 layer가 9개 있는 model을 생각해보자. 만약 w[l]의 모습이 [[1.5, 0], [0 ,1.5]]라면 y는 엄청나게 explode하게 된다. ..
DeepLearning 2-1-1 처음부터 목적에 알맞은 layer 수, hidden units의 수 learning rate등의 hyperparameter 값들을 설정할 수는 없다. 여러번의 실험과 검증을 반복하면서 최고의 성능을 낼 수 있는 조건들을 찾아 설계가 진행된다. 데이터를 train/dev/test set으로 분리해서 각 목적에 맞게 사용한다. 데이터를 나누는 비율을 data가 충분히 크다면 98/1/1 의 비율도 적절하다. train set으로 학습을 하고나면 test set으로 bias가 없는지 variance는 어떤지 검증을 하게 된다. 순서대로 underfitting, 적당한 fitting, overfitting이 된다. train set error 가 1% dev set error가 11% 라면 overfitting..
컴퓨터통신 - 8. Modulation (디지털 데이터->아날로그신호) 1. 인코딩 (Encoding) - 신호는 물리적 매체를 통해 전달된다. - 디지털 데이터가 어댑터를 거쳐 아날로그, 디지털 신호로 변환되어 전달된다. - OSI 1계층에서 수행되는 작업이다. 2. Digital Transmission - 과거에는 아날로그 신호를 앰프로 단순히 키워 보냈지만 동시에 noise도 커지는 문제가 있었다. - 멀리 디지털 신호를 보낼때 신호에서 데이터를 복원해서 다시 신호화 하는 역할을 수행하는 것이 repeater이다. (앱프보다 비용도 싸고 노이즈도 줄일 수 있다, 중계에서의 이점) - 이런 디지털 신호의 전송은 중계가 매우 편하고, 부가기능 추가 등의 다양한 작업이 가능하다. - 따라서 요즘은 유선 링크의 경우 아날로그 신호의 전송을 잘 하지 않는다. - 단 디지털 신호..
컴퓨터 통신 - 7. 무선 통신 1. 무선링크 (Wireless) - 고정된 링크가 아니기 때문에 이동하면서 통신이 가능하다. - 물리적 링크를 깔기위한 공사가 불필요하다. - 유선 링크는 피복에 쌓여있어 신호의 경로가 통제가 되지만 무선통신은 신호가 자꾸 공중으로 퍼져 나간다. - 따라서 공중을 타는 다른 링크와 간섭 발생이 가능하기 때문에 서로 다른 주파수 대역을 사용하도록 구분을 해 놓는다. ex) 라디오, 전화 등 - 또한 무선 링크는 경로가 다양할 수 있기 때문에 간섭이 발생하기 쉽다. 게다가 점점 고주파 신호를 사용하기 때문에 더욱 간섭에 취약하다. - multi-path problem : 특히 고주파의 경우 비트간 간격이 좁다. 그런데 신호를 보내는 중에 어떤 비트는 벽에 튕기느라 조금 늦게 도달할 수도 있다. 비트간 간격..
AI - 5. Fuzzy Logic 1. 퍼지 논리? - 명제는 이진 논리(참, 거짓 두가지) 로 판별이 가능하다. - 하지만 만약에 참,거짓 만으로 판별이 어려운 지식은 어떻게 표현해야 할까? 예를들어 사과의 색은? 이라는 질문에 빨강, 초록, 노랑 새빨강, 연한 빨강 등이 답이 될 수 있는 것처럼 말이다. - 이처럼 명확하게 정의될 수 없는 지식을 표현하는 방법을 퍼지논리라고 한다. - 키가 크다, 작다를 두가지로 결정할 수 없기 때문에 0.0과 1.0 사이로 가중치를 나누어서 판단에 도움을 준다. 2. 퍼지 집합 - 기존의 논리로 표현할 수 있는 집합이다. 180이 넘어야만 키가 큰것이라 판단할 수 있다. - 이런 집합을 크리스프 집합이라고 한다. (집합에 A가 있냐 없냐) - 하지만 퍼지 집합은 판단을 가중치로 한다. 3. 논리 연..
CG - 5. Lighting 1. Illumination - 3D 물체를 2D로 rasterize하는 과정에서 물체의 현실감을 부여하기 위해서는 depth cue, illumination이 반영되어야 한다. - 광원에서 빛이 얼마나 흡수되고 반사되는지 물체의 성질도 반영이 되어야 한다. - illumination model : 광원을 고려한 모델의 색을 결정 - surface rendering method : illumination model을 활용하여 픽셀의 색을 결정 - 만약 여러 물체가 있다면 각 물체에서 반사되어 나온 빛, 광원, 이 모든 관계를 고려해서 물체의 최종색을 구해야 한다. 매우 사실적인 illumination이고 이를 global illumination이라고 한다. 하지만 이 방법은 graphics pipleli..
DB - 6. More SQL statements(1) 1. Aggregate Functions - 집계합수들을 살펴보자. - 첫번째 예시는 instructor 중에서 comp.sci인 교수들의 salary 평균을 구해준다. - 두번째 예시는 spring 2018에 강의한 distinct한 (중복제거) 교수들의 수를 구해준다. - 세번째 예시는 course의 tuple수를 구해준다. 2. group by - group by를 사용하는 예시를 살펴보자 - dept_name으로 그룹을 묶고 결과는 dept_name과 평균 salary를 tuple로 만들어 반환한다. - 만약 위 예시에서 select에 count(ID)를 추가하면 comp. sci. tuple에 3이라는 column이 추가될 것이다. - 또한 group by에 여러개가 올 수 있으며 직관적으로 여..
728x90

티스토리툴바