[패스트캠퍼스] 딥러닝 강의 학습 후기

개요

파트 별 후기

파트 1. 인공지능을 활용하면서 인공지능과 친해지기

딥러닝 역사

예전 머신러닝에서 AND, OR 게이트 문제는 1차원 그래프로 분류해내는 것이 가능했으나 XOR 게이트는 분류할 수 없어서 해결이 불가능했으나 Back Propagation을 통해서 1차원 그래프 2개 혹은 차원을 왜곡시켜서 XOR 게이트또한 분류가 가능하게 되었다.

공부 방법

딥러닝을 학습해서 이루고자 하는 목표를 확실히 정하고 필요한 파생되는 것들을 하나씩 공부(Learns by doing). 기존의 제품, 논문, 코드들을 살펴보면서 자연스럽게 필요한 내용을 공부하게 된다.

1. 만들고 싶은 제품 선정
2. 머신러닝이 필요한가
3. 입력과 출력 결정
4. 이미 기존에 만들어진 제품, 논문, 모델이 있는가
5. 모델이 있는경우 기존것을 활용해서 만든다.
6. 내 목표에 맞게 더 적합하게 고도화 한다.

티쳐블 머신

무료로 가입없이 머신러닝을 해볼 수 있는 플랫폼

가위 바위 보 모델

강의를 따라서 가위 바위 보 분류 모델을 만들어 봄

스마트폰 유무 모델

직접 해보기, 스마트폰을 들고있으면 유죄, 안들고있으면 무죄 모델

동물상 테스트 모델

내 얼굴은 고양이상..?

파트 1 후기

티처블 머신을 통해서 간단하게 머신러닝을 배워보고 기본적인 학습 및 추론 흐름을 이해할 수 있어서 좋았다.

동물상 테스트 모델의 경우 동물 사진에 일관성이 없는데.. 소의 옆이 찍힌 사진이거나 개 얼굴이 클로즈업된 사진이거나.. 코끼리가 여러마리가 있는 사진이거나.. 동물의 정면 얼굴만 클로즈업된 데이터셋이 있으면 더 높은 정확도의 동물상 분류 모델을 구성할 수 있지 않을까? 생각이 들었다.

파트 2. FastAI로 만드는 연예인 닮은 꼴, 관상 궁합 인공지능

데이터를 나눠서 사용

일반적으로 train, valid, test 세가지 데이터셋으로 나눠서 사용

train: 실제 학습에 사용
valid: 검증에 사용하여 학습시 오버 피팅이 되고있는지 확인
test: 모델 학습 이후에 실제 모델에 입력으로 넣어서 결과가 잘 나오는지 확인

파인튜닝

이미 학습된 모델을 데려다가 내가 원하는 입출력에 대해서 다시 학습한다.

같은 문제가 아니더라도 유사한 문제에 대해서 어느정도 학습을 한 모델이기 때문에 다른 종류더라도 더 빠르게 학습시킬 수 있다.

연예인 닮은꼴 인공지능

직접 돌린 모델의 처참한 정확도

이제보니 사진에 여러명이 들어간 사진들 정리가 제대로 안됐다..

그래도 모든 단어를 처음들어보는 사진은 잘 분류해냈다.

jmd_imagescrapper가 동작하지 않아서 문제 발생..

따로 슬랙에 문의하기 전에 해당 라이브러리 깃허브를 살펴봤는데 이미 이슈는 발행되어있으나 해당 라이브러리 관리가 안되고 있는상태여서 포크를 만들어서 문제 코드를 수정하고 코랩에서 내가 만든 포크 리포지터리를 설치하도록 하고 진행했다.

자새한건 jmd_imagescraper, Failed to obtain search token 에러 해결 글 참고

이후에 다른분이 슬랙에 문의해서 실습코치님이 라이브러리 대신 파이썬 코드를 붙여넣어서 하도록 가이드가 되었다.

나는 하던대로 했다.

파트 2 후기

세가지를 진행했지만 결국 인공지능 모델을 활용한 방법은 동일하다.

이미지를 입력으로 넣고 특정 클래스로 분류를 하는 것.

사실 이 과정을 듣기로 결정한 가장 큰 이유는 퍼스널 컬러였는데, 어느 데이터셋을 사용했는지가 궁금했다.

그런데 이미 적은 양이지만 깃허브에 공개된 데이터셋이 있었다니..

결과가 제대로 안나오는게 아쉬웠다.

에폭 수만 억지로 올려서 놀리면 오버피팅이 잔뜩 될뿐 정확도는 50정도가 한계였다.

파트 3. FastAI로 만드는 사진으로 나이 예측하는 인공지능

나이 예측 인공지능

해외 인물 데이터니 만나이로 계산해야되지 않을까?

어쨌든 잘 맞추는 것 같다.

파트 3 후기

영화 배우 데이터에서 사진을 찍은 연도랑 생년원일을 통해서 연령별 데이터를 추출해내서 활용한다는 점이 신선했다.

실제 모델 학습 하는 부분은 기존과 다르지 않지만 파이썬 코드를 통해서 데이터에서 필요한 정보를 추출해내는 과정을 진행하면서 파이썬을 어떤식으로 활용할 수 있는지 많이 도움이 되었다.

파트 4. 머신러닝 데이터셋

파트 4 후기

예전에 살펴본 붓꽃 데이터셋인데 이렇게 다양한 방법으로 시각화를 할수 있다는 점을 배울 수 있어서 좋았다.

그외에도 정규화, 인코딩 등 나중에 해보다가 막힐 때 한번씩 살펴보면 이 노트북은 도움이 많이 될 것 같다.

파트 5. 머신러닝 기초

파트 5 후기

SVM(Support Vector Machine), KNN(K-Nearest Neighbors) 등 기본적인 분류 모델에 대해서 이해하고 실습해볼 수 있어서 좋았다.

회귀와 분류를 어느때 적용해야하는지 헷갈리는 부분이 있었는데, 두 가지 모두 적용할 수 있는 경우도 있어서 실제 상황에 따라서 어떤 방법을 적용할 지에 대해서도 고민할 부분이 있다는 점을 깨달았다.

파트 6. 딥러닝 기초

파트 6 후기

PyTorch를 많이 사용해보지 않아서 헷갈렸던 부분들이 많이 해소되서 좋았습니다.

PyTorch를 사용한 회귀와 논리 부분을 이해하고 활용해볼 수 있었다.

파트 7. 딥러닝을 활용한 이미지 처리 실습

퍼스널 컬러 진단 인공지능

기본 노트북 코드를 살펴보다보면 봄 웜톤, 가을 웜톤에 같은 사람이 포함된 코드를 볼 수 있다.

게다가, 강의에서는 정확도가 높게 나오지만 실제 돌려보면 정확도가 영 시원찮다.

그래서 중복되는 사람을 제거하고 jmd_imagescraper를 통해서 데이터들을 확인하고 여러명이 나온 사진같은건 다 제외를 하고 돌려봤는데,

40%도 안나오는 처참한 결과가 나와버렸다.

사진들이 조명도 다 천차만별이다 보니 좀 더 명확한 데이터셋이 있어야 그나마 좀 나을 것 같다.,

파트 7 후기

최종 실습인 PyTorch를 활용한 퍼스널 컬러 진단 인공지능이 실습 코드에서 데이터가 잘못된 부분이 있는데도 강의에서는 정확도가 높게 나오면서 마무리되고 있다

잘못된 코드로 인한 잘못된 데이터 외에도 실제로 크롤링된 사진을 살펴보면 걸그룹의 경우 같은 그룹 멤버와 함께 찍혀있는 사진도 있고, 잡지 사진의 경우 흑백사진이 있었다.

프로젝트 후기

코랩 노트북

제출한 코랩 노트북은 여기.

KNN에 대해서 이해가 조금 부족했었는데 프로젝트 가이드에 공유된 참고예제를 참고하면서 해봤는데, 동작은 확인을 했는데 피드백도 해준다고 하는데 강의 끝나고 나서 해주려나 보다.

전체 후기

K디지털 훈련을 마치고 내일배움카드도 받은 김에 돈이 남아있던 K디지털기초훈련을 하나 들을까하고 둘러보는데 마침 딥러닝 기본적인 부분을 복습할 겸 눈에 띄었던 강의였다.

국비지원교육이기도 하고 큰기대는 하지 않았었는데 마지막 프로젝트까지 해보면서 많이 복습이 됐고, 앞으로도 한번 씩 노트북은 열어보기도하고 참고하기도 해야겠다.

물론, 노트북에 잘못된 코드도 있고 낡은 라이브러리를 사용하면서 동작하지 않는 코드도 있어서 아쉬운 부분도 있었지만 전체적으로 기본적인 개념을 이해하고 딥러닝에 입문하는데에는 충분하다고 느꼈다.

약간 이해가 부족했던 부분도 강의를 다시 보지 않더라도 코랩 노트북을 통해서 복습하다보면 충분히 이해가 될 것 같다.