/Seojun's Pages 2026-07-12T22:48:34+09:00 Seojun / Jekyll © 2026 Seojun /assets/img/favicons/favicon.ico /assets/img/favicons/favicon-96x96.png 2026-07-12T15:40:00+09:00 2026-07-12T22:48:02+09:00 /posts/firstOpenSource/ Seojun

첫 오픈소스 기여 말년 휴가를 나와서 하루종일 코딩만 구주장창 하다가 문득 오픈소스를 찾아보게 되었다. 누군가가 만든 Big Project에 나의 코드를 기여할 수 있다는 것이 매우 재밌어보여서 즉흥적으로 OpenSource Contribution에 대해 찾아봤다 ! 기여 방법 기본적인 Git의 사용법(Fork, Pull, Branch 등)만 알고있다면 큰 걸림돌 없이 진행할 수 있었다. 대략적인 순서는 아래와 같다. 기여하고 싶은 프로젝트를 찾아서 Fork 하기 Fork한 Repo를 Clone해서 작업을 위한 새로운 branch 만들기(feature) 작업이 끝나면 내 작업 환경에 Push하기 PR 보내기 첫 PR 나는 rio 라는 파이썬으로 웹앱을 만들 수 있는 오픈소스...

2026-07-11T23:50:00+09:00 2026-07-12T00:24:25+09:00 /posts/whatisdeeplearningtakingoff/ Seojun

Wht is deep learning taking off? 딥러닝이 주목받는 이유는? 딥러닝은 깊은 모델 일수록 더 많은 데이터가 필요하게 된다 따라서 데이터의 양과 질이 매우 중요하다. 최근 딥러닝이 강력한 도구로 부상한 이유는 아래 3가지 요인들로 딥러닝 성능이 향상 되었기 때문이다 데이터 양 증가 컴퓨터 성능 향상 알고리즘의 개선 Gradient 소멸 문제 해결 (Sigmoid → ReLU 사용) 딥러닝 모델은 꾸준히 새롭게 나오고 있다 물론 나오는 족족 많은 데이터를 탑재하여 성능이 좋은 모델들을 만들어냈으며, 결국 이는 위 그래프를 나타내게 된다.

2026-07-11T23:50:00+09:00 2026-07-12T00:44:34+09:00 /posts/SupervisedLearningwithNN/ Seojun

Supervised Learning with NN 신경망을 이용한 지도학습 지도학습은 입력 X와 출력 Y에 매핑하는 함수를 학습하는 것이 목적이다 위 이미지처럼 입력(input)은 예측하고자하는 값(y)에 관한 특성, 정보들이다 따라서 Output(y)는 input(x)를 통해 학습해서 최종적인 결과물이 된다. 각각 사용하는 모델은 다음과 같다. Home features, Ad, user info와 같이 평범한 지도학습의 경우 → Standard NN(신경망)을 사용 Image의 경우 → CNN이라고 불리는 합성곱 신경망을 사용한다 Audio 음성은 시간에 흐름에 따라 재생되기에 1차원 시계열 데이터로 나타나는 시퀀스 데이터를 사용한다. 따라서 RNN이 사용됨 Radar...

2026-07-11T23:50:00+09:00 2026-07-12T00:49:42+09:00 /posts/LogisticRegressionLossCostfunction/ Seojun

Logistic Regression Loss & Cost function 로지스틱 회귀 손실함수 & 비용함수 예측값인 y-hat은 시그모이드(Transpose W * x + b) 라는 것을 저번 페이지에서 배웠다 시그모이드 수식은 1/1+e^-z이다. 로지스틱 회귀를 통해서 결국엔 실제값과 동일한 예측값을 갖기를 바란다 (loss = 0) 그치만 기계를 통한 예측은 실제 결과와 아예 똑같을 순 없다. 그래서 예측값 - 실제값인 손실함수가 존재한다. Loss Function 손실 함수는 하나의 특성(x)에 대한 실제값(y)과 예측값(y-hat)의 오차를 계산하는 함수다. m개의 오차를 제곱해서 최소 하는 방식을 주로 사용한다 하지만 해당 방식을 로지스틱 ...

2026-07-11T23:50:00+09:00 2026-07-12T00:38:08+09:00 /posts/LogisticRegression/ Seojun

Logistic Regression 로지스틱 회귀 로지스틱 회귀는 0과 1사이의 확률 값으로 예측하여 이진 분류 문제를 해결하는 방법이다. input 데이터로 쓰일 x가 있다고 해보자. 그럼 input값 x를 토대로 로지스틱 회귀를 통해 결괏값 y-hat을 도출하게 되는데, 여기서 로지스틱 회귀를 거친 y-hat의 결과 값은 0 ≤ y ≤ 1 의 조건을 만족해야한다. y-hat을 통한 예측 방법 (input 이미지가 고양이 사진이라고 가정) 0 ≤ y-hat < 0.5 → 0(고양이가 아님) 0.5 ≤ y-hat ≤ 1 → 1(고양이가 맞음) 로지스틱 회귀의 파라미터로 w와 b가 주어졌다 (w: 차원, b: 실수) 딥러닝에서 w는 가중치(weight),...