Tech Knowledge Note

🧠 1. 시퀀스(Sequence) 데이터란?딥러닝은 이미지뿐 아니라 시간의 흐름에 따라 변화하는 데이터, 즉 시퀀스 데이터(Sequence Data) 를 다룰 수도 있다.예를 들어, 다음과 같은 데이터가 시퀀스 데이터의 대표적인 예다.🎵 음성 데이터: 시간에 따라 변화하는 음파📈 주가 데이터: 하루하루의 주가 변동📱 텍스트 데이터: 단어 순서에 의미가 있는 문장이러한 데이터를 학습하려면, “이전 정보가 현재에 영향을 미치는 구조”가 필요하다.이때 사용되는 것이 바로 RNN(Recurrent Neural Network, 순환 신경망) 이다.🔁 2. RNN의 기본 개념RNN은 “기억하는 신경망”이다.기존의 CNN이나 MLP는 입력을 한 번에 처리하지만,RNN은 이전 단계의 출력(Output) 을 다..

🚗 1. CNN을 활용한 이미지 분류, 직접 구현해보기앞선 글에서는 합성곱과 풀링 연산을 통해 CNN의 작동 원리를 살펴보았다.오늘은 그 이론을 바탕으로 실제로 차량과 보행자를 구분하는 CNN 모델을 구현해본다.이 실습은 자율주행의 핵심 기술 중 하나인 객체 인식(Object Recognition) 의 기초 단계다.즉, 차량과 보행자를 정확히 분류할 수 있어야 안전한 주행 판단이 가능하다.🧩 2. 데이터 준비: 차량 vs 보행자 이미지먼저 분류를 위해 두 가지 클래스의 이미지를 준비해야 한다.🚘 Class 1: Vehicle (차량)자동차, 버스, 트럭 등 도로 위 차량 이미지🚶 Class 2: Pedestrian (보행자)횡단보도를 건너거나 길을 걷는 사람 이미지이 데이터는 Kaggle이나 Op..

🧠 1. CNN의 핵심 연산, 직접 경험해보기이전 글에서 우리는 CNN(합성곱 신경망)의 기본 구조를 살펴봤다.오늘은 그 핵심인 합성곱(Convolution) 과 풀링(Pooling) 연산이 실제로 어떻게 작동하는지,직관적으로 이해할 수 있도록 예시와 함께 실습 형태로 알아본다.CNN의 강점은 이미지 속 특징을 자동으로 추출한다는 점이다.그 중심에 있는 합성곱과 풀링은 “이미지 속 중요한 부분만 뽑아내고 압축하는 과정”이다.🔹 2. 합성곱(Convolution) 연산의 원리합성곱은 이미지의 작은 영역(커널, kernel) 을 움직이며 특징을 추출하는 과정이다.커널은 일종의 작은 창(window)으로, 픽셀의 패턴을 탐색한다.예를 들어, 3×3 크기의 커널을 생각해보자.커널이 이미지 위를 한 칸씩 이동..