Update CS231n 1강~2강(혜주).md

Author: hyejukim-ybigta

CNN/CS231n 1강~2강(혜주).md

@@ -11,7 +11,7 @@
 
 
 
-### 1.이미지 처리 insight(1강)
+## 1.이미지 처리 insight(1강)
 
 1) 고양이가 어떻게 이미지를 인식할까? 에 대한 연구 (Hubel & Wiesel,1959)
 
@@ -36,19 +36,22 @@
 
  십만 개가 넘는 이미지를 1000개의 물체로 분류하는 챌린지다.
  ![cs231n_week1_5](https://user-images.githubusercontent.com/32008883/30752076-258dec72-9ff6-11e7-95bd-5ddb9a074c2b.JPG)
+
 위의 그래프는 이미지 분류 챌린지의 오류 정도가 낮아짐을 알 수 있다. 주목할 만한 것은 2012 년도인데, 앞으로 강의에서 배울 'Convolutional Neural Network(CNN)'를 적용한 년도이기도 하다.
 ![cs231n_week1_6](https://user-images.githubusercontent.com/32008883/30752073-255fcedc-9ff6-11e7-94af-2fe6c78d2ce4.JPG)
+
 하지만 CNN은 새로 등장한 개념이 아니다. 1998년도에도 손글씨를 인식하여 우편을 분류하려는 노력이 있었는데, 2012년도의 CNN과 매우 유사함을 알 수 있다.
 
 4) 하지만 아직 갈 길은 멀다.. (to be continued..)
 ![cs231n_week1_7](https://user-images.githubusercontent.com/32008883/30752075-258195bc-9ff6-11e7-9f6c-4b57682c0c21.JPG)
+
 위의 이미지를 기계가 파악할 수 있을까? '사람들은 몸무게에 예민하다','대통령이 이런 장난을 치는 것은 흔하지 않은 일이다' 등 다양한 맥락적 요소가 포함되어 있는 것이다. 즉, 사람의 시력은 단순한 것이 아니라 지능 (visual intelligence)도 포함되어 있다.  갈 길이 멀다는 뜻이다. 하지만 컴퓨터의 이미지 처리 관련 기술이 발전해야 삶의 질을 개선할 수 있다는 것 또한 팩트..
 
 
 
 
 
-### 2.  이미지 분류의 어려움
+## 2.  이미지 분류의 어려움
 
 저번 시간에 이어서 이미지 분류에는 여러 어려움을 소개한다.
 
@@ -61,29 +64,29 @@
 
 
 
-### 3. 해결책 :  Data-Driven Approach
+## 3. 해결책 :  Data-Driven Approach
 
 그!래!서!  이미지 분류의 어려움을 해소하는데 도움을 주고자 데이터에 기반한 접근법(Data-Driven Approach)이 등장하였다.
 
 
 
-##### Data-Driven Approach
+#### Data-Driven Approach
 
-#####1) 이미지와 라벨(label) 데이터를 모은다. 
+#### 1) 이미지와 라벨(label) 데이터를 모은다. 
 
 라벨이란 이미지를 분류하는 이름이라고 생각하면 된다. '고양이','비행기' 등이 예이다. 
 
-#####2) 머신러닝(Machinen Learning)을 통해 이미지 분류기(Classifier)를 학습시킨다.
+#### 2) 머신러닝(Machinen Learning)을 통해 이미지 분류기(Classifier)를 학습시킨다.
 
-#####3) 새로운 이미지에 분류기를 적용하고 평가한다.
+#### 3) 새로운 이미지에 분류기를 적용하고 평가한다.
 
 
 
-### 4. Classifier 1: Nearest Neighbor
+## 4. Classifier 1: Nearest Neighbor
 
 주어진 이미지와 '가장 가까운 이웃' 이미지를 찾는 분류기이다.  이 분류기가 작동하는 원리는 다음과 같다.
 
-#### 1) 작동원리
+### 1) 작동원리
 
 1. 모든 데이터와 라벨을 학습시킨다.
 2. 테스트용 이미지가 주어지면, 학습했던 이미지와 가장 유사한 라벨을 찾아준다. 
@@ -94,25 +97,25 @@
 
 
 
-#### 2) 그러면 어떤 이미지가 '가깝다'고 할 수 있을까? : L1 distance
+### 2) 그러면 어떤 이미지가 '가깝다'고 할 수 있을까? : L1 distance
 
 ![cs231n_week2_4jpg](https://user-images.githubusercontent.com/32008883/30752114-32e25ec6-9ff6-11e7-8841-c1bc7cd97d6e.JPG)
 
 새롭게 들어온 고양이 이미지와 학습시켰던 고양이 이미지를 픽셀로 표현했을 때, 그 차이를 계산하여 더하는 방법이 'L1 distance'이다. 그 합이 이미지 간의 거리라고 할 수 있다. 
 
 
 
-#### 3) 단점: 빠른 학습, 느린 예측
+### 3) 단점: 빠른 학습, 느린 예측
 
 Nearest Neighbor classifier은 모든 데이터를 단지 외우게 학습시키기 때문에 학습 속도는 빠르다. 하지만 예측할 때는 하나하나 대조하므로 시간이 너무 오래 걸린다. 
 
 중요한 것은 '빠른 예측'인데, 뒤에서 배울 CNN은 학습 속도는 다소 느리지만 예측 속도는 빠르다.
 
 
 
-#### 4) K-Nearest Neighbors
+### 4) K-Nearest Neighbors
 
-##### 1. 개념
+#### 1. 개념
 
 ![cs231n_week2_6jpg](https://user-images.githubusercontent.com/32008883/30752116-32f54248-9ff6-11e7-89c8-bcc29031bb59.JPG)
 
@@ -122,15 +125,15 @@ K가 커질수록 경계선 부분이 부드러워진 것을 알 수 있습니
 
 하얀색 부분은 근처에 이웃이 아무도 없어서 하얀색으로 표시됩니다.
 
-##### 2. L2 Distance
+#### 2. L2 Distance
 
 ![cs231n_week2_7](https://user-images.githubusercontent.com/32008883/30752098-3259b102-9ff6-11e7-9c31-846ad80f671f.JPG)
 
 K-Nearest Neighbor Classifier에서는 L2 distance라는 것이 등장합니다. L1은 좌표축이 달라지면, 거리가 달라질 수 있다. 하지만 L2는 원이기 때문에 좌표축이 바뀌어도 괜찮다.
 
 
 
-#####3. hyperparameter 정하기: 그러면 K에는 얼마를 넣어야 , 어떤 distance 기준을 선택해야 좋을까? 
+#### 3. hyperparameter 정하기: 그러면 K에는 얼마를 넣어야 , 어떤 distance 기준을 선택해야 좋을까? 
 
 상황에 따라 다르다는 당연한 얘기...
 
@@ -148,7 +151,7 @@ K-Nearest Neighbor Classifier에서는 L2 distance라는 것이 등장합니다.
 
 
 
-#####4. 하지만 K-Nearest Neighbor는 이미지 처리에 쓰이지 않는다...문제점은
+#### 4. 하지만 K-Nearest Neighbor는 이미지 처리에 쓰이지 않는다...문제점은
 
 1. 아까 언급했듯이 예측 속도가 매우 느리다.
 
@@ -160,9 +163,9 @@ K-Nearest Neighbor Classifier에서는 L2 distance라는 것이 등장합니다.
 
 
 
-###5. Classifier 2: Linear Classifier 
+## 5. Classifier 2: Linear Classifier 
 
-#####1. 개념
+#### 1. 개념
 
 두번째 이미지 분류기는 Linear Classifier이다. 
 
@@ -186,13 +189,13 @@ K-Nearest Neighbor Classifier에서는 L2 distance라는 것이 등장합니다.
 
 ![cs231n_week2_13](https://user-images.githubusercontent.com/32008883/30752106-32b0ccbc-9ff6-11e7-846c-3745de505460.JPG)
 
-#####2) W
+#### 2. W
 
 아래 왼쪽에서 다섯번째 이미지를 보자. 사슴에 대한 W의 행을 뽑아서 이미지로 나타낸 것이다. 희여멀건하지만 풀이라고 추정되는 녹색 바탕과 갈색의 물체가 보인다. 학습 데이터의 이미지를 하나의 템플릿으로 표현하려고 하다보니 뿌옇다.
 
 ![cs231n_week2_14](https://user-images.githubusercontent.com/32008883/30752105-32ae15bc-9ff6-11e7-8ff7-6b84bb4d8ef0.JPG)
 
-#####3)한계
+#### 3. 한계
 
 ![cs231n_week2_15](https://user-images.githubusercontent.com/32008883/30752108-32bb04f2-9ff6-11e7-8f9c-d86d5501ffb6.JPG)