Graph for others.

안녕하세요 Hardy 입니다. 이번 포스팅에서는 제가 싱가폴에서 겪은 색다른 경험에 대해 공유해보려고 합니다. 바로 싱가폴에서 진행한 k8s meetup 에 참여한 경험입니다. Meetup 이야기 전, 독자분들의 원활한 글 이해를 위해 k8s 에 대해 간략한 설명으로 포스팅을 시작해보겠습니다. K8S 란? K8s, or Kubernetes, is an open-source container orchestration platform used for automating the deployment, scaling, and management of containerized applications. It was developed by Google and is now maintained by the Cloud Na..

안녕 글또 6개월 간의 대장정이 시작되기 전 글또를 왜 시작하게 되었는지 그리고 과정을 통해 어떤 성취를 하고 싶은지에 대해 이야기 해보려 합니다. 먼저 제 소개를 해보자면, 저는 그래프 데이터 사이언티스트 정이태 입니다. 데이터 사이언티스트는 익숙하시지만 그래프 데이터? 생소하게 들리실 분들이 많을거라 생각이 드네요. 이해를 돕기 위해 독자분들께서 친근하실거라 생각되는 ERD를 통해 그래프 데이터를 설명해볼게요. # 그래프 데이터란? ERD는 데이터를 담는 공간인 테이블들간의 관계를 디자인하는 작업이라고 볼 수 있어요. 목적은 테이블 관리를 효율적으로 하기 위한거구요. 그래프 데이터도 관계를 디자인한다는 동일한 목적을 가지고 있어요. 다만, 다루는 대상이 테이블에 속해있는 데이터이기에 테이블 대비 더 ..

1. Batchnormalization batchnorm_forward ( x, gamma, beta, bn_param ) input - x ; data - gamma ; Scale parameter of shape - beta ; Shift parameter of shape - bn_param mode ; 'train' or 'test'. eps ; constant for numeric stability. momentum ; constant for running mean / variance. running_mean ; giving running mean of features running_var ; giving running varaiance of features returns a tuple of - ..

part1 We will learn about optimizing over both cross-entropy and mean absolute error losses at the same time, leveraging neural networks to generate multiple continuous outputs in a single prediction. New library that assists in reducing code complexity considerably across the remaining chapters. Introducing transfer learning Normalize the input images, normalized by the **same mean and standard..

Using a sequential method to build a neural network objective of this section ; we will learn about a simplified way of defining the neural network architecture using the 'Sequential' class. Consists of 8 steps Define the toy dataset Import the relevant packages and define the device we will work on Define the dataset class Define the dataset and dataloader object Define the model architecture u..

좋은 배움의 기회를 주신 upstage 관계자 분들 , 정현준 박사님에게 감사드립니다. 05/11 11am ~ Section 1. Career Apple ; ML 이 endpoint 에 들어가는건 드물지만 product 에서의 구현 Nike ; focus on product transformation ( Offline -> Online , how to give the good experience to customer?) Amazon providing most relevant items through ML-based advertisements. ; CTR prediction, CVR prediction * Large scale ML models handling Section 2. TextbookAI vs...

좋은 배움의 기회를 주신 AI upstage 관계자분들 , 박찬성님에게 감사드립니다. Why building ML Pipeline? - Data productive Rule based (Refresh term) -> Languages keep changing over time Hardware/Software Infrastructure - GKE (Kubernetes Engine) Control Pipeline Workflow - AI Platform (Pipeline) Define + Inject Pipeline Workflow - TF X (Pipeline Component Chaining) Truner , Trainer 만 tunning 나머지 앞전의 ExampleGen ~ Transform 까지는 ..

힘이 없는 근육 논리가 없는 통계치 신뢰가 없는 우정 증명이 없는 수학 결론이 없는 의견 경험이 없는 가르침 미적 요소가 없는 변화 따뜻함이 없는 예의 가치가 없는 나이 구체성이 없는 가치관 노력이 없는 인생 박식함이 없는 학위 갈증이 없는 물 용기가 없는 군인 정신 영양이 없는 음식 문화가 없는 진보 희생이 없는 사랑 공정함이 없는 권력 엄격함이 없는 사실 손실감수가 없는 부의추구 깊이가 없는 복잡함 의심이 없는 과학 문화가 없는 진보 투자가 없는 협업 리스크가 없는 덕행 에르고드 상태가 없는 확률 내용이 없는 연설 불균형이 없는 의사결정 포용이 없는 종교 책임이 없는 모든것

repvgg vs. resnet https://arxiv.org/pdf/2101.03697.pdf - paper https://github.com/DingXiaoH/RepVGG - source code 목적 ; image feature extraction 에 따라 object detection 의 성능에 유의미한 영향을 끼칠 것이다. 라는 가설을 세워보고 이를 실험해보고자 최근에 나온 repVGG weight , transfer learning 방법론을 적용하려했으나 아직 미숙하여 결과는 아직입니다. 허나 대략적인 contribution 과 advantages 를 토대로 공유드리고자 합니다. contribution VGG plain 모델만으로 기존 multi-braches model(Resnet과 같은 ..