💿 Data

1. 그로스 해킹이란?

그로스 해킹 - 성장할 수 있는 방법을 해킹 - 데이터에서 찾아낸 인사이트를 바탕으로 제품이나 서비스를 지속적으로 개선(성장)해 나가는 방법 등장 배경 - 제품을 만드는 전통적 과정('기획-생산-판매') 단점 : 판매가 시작되면 생산자가 할 수 있는 일이 없음 제품 출시 후 제품의 성공과 실패는 온전히 시장에 의해 결정 많은 시간과 노력을 투자해서 만든 제품이 시장에 나가기 전까진 그 수요의 유무를 알 수 없음 린 스타트업 - 아이디어를 빠르게 제품으로 만들고 고객의 반응을 측정한 후, 그 결과를 통해 지속적으로 제품을 개선해 나가는 방법 - 서비스를 점직적으로 개선 - '아무도 원하지 않는 제품을 오랜 오랜 기간 열심히 만드는 것은 굉장히 비효율적임을 강조' - 최소한의 서비스(최소 기능 제품 ; Mi..

[TIL] 85. GAN(Generative Adversarial Networks)

키워드 GAN(Generative Adversarial Networks) Generator Discriminator GAN(Generative Adversarial Networks ; 생성적 적대 신경망) 실제와 유사한 데이터를 만들어내는 생성모델 생성자(Generator) : 실제와 동일한(유사한) 데이터를 만들기 위해 학습 -> 비지도학습 판별자(Discriminator) : 생성자가 만든 데이터를 진짜인지 가짜인지 더 잘 분류하기위해 학습 -> 지도학습(이진분류) 즉, 마치 위조지폐를 만드는 범죄자(생성자)와 위조지폐를 분별하는 사람(판별자)가 서로 경쟁하며 점차 성능이 좋아지고 결국엔 진짜와 가짜를 구분하기 어려울 정도로 위조지폐가 만들어지는 것과 같은 원리 아래 이미지가 위의 내용을 도식화한 이..

[딥러닝, CV] GAN(Generative Adversarial Networks)

GAN(Generative Adversarial Networks) 실제와 유사한 데이터를 만들어내는 생성모델 생성자(Genrator)는 가짜 데이터를 생성해내고 판별자(Discriminator)는 가짜 데이터와 진짜 데이터를 분류합니다.(가짜는 0, 진짜는 1로 이진분류) 위의 행위가 곧 1 epoch가 되고 행위가 반복될 때마다, 생성자 모델과 판별자 모델의 가중치가 조정되며 생성자와 판별자는 각각 그 성능이 향상됩니다.(생성자는 더 그럴듯한 가짜 데이터를 만들게 되고, 판별자는 분류 성능이 점차 향상됩니다.) 결국 어느 지점에 이르게 되면 판별자는 진짜와 가짜를 더 구분하기 어려워지고 50%의 확률로 진짜와 가짜를 구분하게 됩니다. CycleGAN 기존 pix2pix(pixel to pixel)은 말..

[TIL] 84. AutoEncoder

키워드 오토인코더 잠재벡터 차원 축소, 데이터 압축 이상치 탐지, 노이즈 제거 오토인코더(AutoEncoder) 입력 데이터를 저차원의 벡터(잠재 벡터; Latent Vector)로 압축한 뒤 원래 크기의 데이터로 복원하는 신경망 궁극적으로 보다 나은 잠재 벡터를 얻는 것이 그 목적이기도 합니다. 잠재벡터(Latent Vector) 원본 데이터보다 차원은 작으면서, 그 특징은 잘 보존하고 있는 벡터 오토인코더 활용 차원 축소 및 데이터 압축 데이터 노이즈 제거 : 학습 시 train data는 노이즈가 있는 데이터이고 정답데이터는 훈련 데이터 원본(노이즈가 없는)임을 주의합니다. 이상치 탐지 : 정상 데이터를 복원하는 과정에서 특정 임계치를 구하고 정상 데이터로만 훈련된 오토인코더 모델에 비정상 데이터를..

[딥러닝, CV] 오토인코더, 잠재 벡터, 이상치 탐지, 노이즈 제거

오토인코더(AutoEncoder, AE) 입력 데이터를 저차원의 벡터(잠재 벡터 ; Latent Vector)로 압축하고 다시 원래 크기의 출력 데이터로 복원하는 신경망입니다. 오토인코더의 가장 중요한 목적은 인코더와 디코더 사이의 잠재 벡터를 얼마나 잘 얻어내느냐 입니다. 오토인코더는 비지도학습의 일종으로, 입력값을 정답으로도 사용하기 때문에 자기지도학습이기도 합니다. 잠재 벡터(Latent Vector) 오토인코더에서 가장 중요한 목적으로, 입력값에 대한 중요한 특성들이 가장 효율적으로 저장되게끔 학습됩니다. 원본 데이터를 압축 후 다시 복원하고 그 복원값과 원본 데이터(입력값이자 실제값)을 비교하여 가중치가 조정되며 잠재벡터가 결정됩니다. 이상치 탐지(Anomaly Detection) 정상으로 규정..