computer vision low level, mid level, high level 로 나누어져있음. low level 은 image processing, feature extraction mid level 은 image->image, image->world high level 은 semantic 즉 비전태스크 Image Classification, Object Detection, Segmentation 모델구조 이해 Visual Feature: 컴퓨터 비전의 태스크(classification, detection, segmentation, ...)를 해결할 때 필요한 이미지의 특성을 담고 있는 정보들을 지칭함. Backbone의 역할 Backbone은 이미지에서 중요한 Feature를 추출(extra..

완전탐색, 그래프( dfs,bfs) , 문자열, 백트랙킹,dp, 해시테이블 코딩테스트의 목적 문제 해결 능력 : 문제이해, 접근방법(자료구조&알고리즘 이론), 코드 설계(시간 복잡도) 구현 능력: 프로그래밍 능력 암시적그래프 bfs로 최단경로 구하는게 빠름 우선순위큐가 요새 자주나옴. 카카오 코테는 문자열 자주나옴.

Linear Regression feature 와 target 사이의 관계를 선형 모델로 찾자 given X,y find f f를 어떻게 정의하느냐 -> 모델을 어떤걸 사용하느냐 지금 있는 데이터를 linear한 형태로 보고싶다. X,y 가 linear한 관계 x -> 해결 : 모델을 바꿔야함 X,y 가 '이상적'으로는 linear 였는데 관측과정에서 오염 -> 처음엔 이걸로 먼저 출발 즉 y != w1x1 + w2x2 + b w1,w2,b를 조절해서 linear한 형태로 나타내야함. L이 최소가 되는 (0에 가까워지는). L 은 (실제값-예측값)^2을 다 더한것 . Loss function 분류(classification)와 회귀(regression) 차이 묻는 질문도 굉장히 많이나옴 분류(classi..

ML vs Stats 통계에는 여러 가정이 필요하다. 가정검토 Remedy normality : QQplot으로 확인 소표본(n adjust R2로 제어해야함. 베이스가 R2 평균으로 찍어버린다. R2가 1 -> 다맞췃다 R2가 음수 -> 평균으로 찍는거보다 못맞춤. 수학적으로는 다 양수이나 머신러닝에서는 음수가 가능-> 이경우는 코딩 실수나 overfitting Inference 통계에서 inference와 머신러닝에서 inference는 다름. Recommend system 유저가 좋아할만한 아이템 추천 -> 유저가 과거에 뭘 좋아했는지 '정의' explicit -> 명시적, 별점 5점 implicit -> 클릭, 비디오 봄 보통 implicit feedback 사용 회귀 : 숫자를 맞추는 것 분류 ..