Update CS231n 1강~2강(혜주).md

Author: hyejukim-ybigta

CNN/CS231n 1강~2강(혜주).md

@@ -15,27 +15,34 @@
 
 1) 고양이가 어떻게 이미지를 인식할까? 에 대한 연구 (Hubel & Wiesel,1959)
 
-![cs231n_week1_1](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_1\cs231n_week1_1.JPG)
+![cs231n_week1_1](https://user-images.githubusercontent.com/32008883/30751966-dea3b4c2-9ff5-11e7-870d-44140ff3b480.JPG)
+
 
 고양이가 이미지를 처리하는 방법을 살펴보니, 각기 다른 뉴런이 이미지를 나누어 인식한다.  복잡한 이미지를 단순한 이미지로 나누어서 처리한다.
 
 2) 복잡한 물체(object)를 간단한 것의 결합으로 보는 시선
 
-![cs231n_week1_2](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_1\cs231n_week1_2.JPG)
+![cs231n_week1_2](https://user-images.githubusercontent.com/32008883/30751987-f03d50e4-9ff5-11e7-8650-70da272845b6.JPG)
 
 3) 특성 중심(feature based)의 이미지 처리 
 
-![cs231n_week1_3](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_1\cs231n_week1_3.JPG)
+![cs231n_week1_3](https://user-images.githubusercontent.com/32008883/30752062-1eba20aa-9ff6-11e7-92d5-38e5bb037353.JPG)
 
 이미지에서 중요한 특성만 추출해서 그 특징을 바탕으로 이미지를 처리한다. 예를 들어 위의 표지판에서는 'STOP' 이라는 글자가 '특성(feature)'이 된다. 
 
 4) 이미지넷 챌린지(IMAGENET Challenge)
 
-![cs231n_week1_4](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_1\cs231n_week1_4.JPG)
+![cs231n_week1_4](https://user-images.githubusercontent.com/32008883/30752067-21d78aac-9ff6-11e7-9f14-c279c2e63cf3.JPG)
 
- 십만 개가 넘는 이미지를 1000개의 물체로 분류하는 챌린지다. ![cs231n_week1_5](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_1\cs231n_week1_5.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](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_1\cs231n_week1_6.JPG)하지만 CNN은 새로 등장한 개념이 아니다. 1998년도에도 손글씨를 인식하여 우편을 분류하려는 노력이 있었는데, 2012년도의 CNN과 매우 유사함을 알 수 있다.
+ 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](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_1\cs231n_week1_7.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..
+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..
 
 
 
@@ -48,7 +55,7 @@
 우리는 의자를 옆에서 보든 앞에서 보든 거꾸로 보든 의자인지 알고 있다. 하지만 기계는 모른다. 이렇게 빛 노출에 따라 고양이인지 파악하기 어렵다.
 
 
-![cs231n_week2_1](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_2\cs231n_week2_1.JPG)
+![cs231n_week2_1](https://user-images.githubusercontent.com/32008883/30752113-32df721a-9ff6-11e7-9264-78ea0f54a2a2.JPG)
 
 
 
@@ -89,7 +96,7 @@
 
 #### 2) 그러면 어떤 이미지가 '가깝다'고 할 수 있을까? : L1 distance
 
-![cs231n_week2_4JPG](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_2\cs231n_week2_4JPG.JPG)
+![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. 
 
@@ -107,7 +114,7 @@ Nearest Neighbor classifier은 모든 데이터를 단지 외우게 학습시키
 
 ##### 1. 개념
 
-![cs231n_week2_6JPG](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_2\cs231n_week2_6JPG.JPG)
+![cs231n_week2_6jpg](https://user-images.githubusercontent.com/32008883/30752116-32f54248-9ff6-11e7-89c8-bcc29031bb59.JPG)
 
 단순히 근처 가까운 이웃의 라벨을 베끼기보다, K개의 가까운 점들에게서 투표를 받아서 해당 이미지가 무엇인지 결정하게 됩니다.
 
@@ -117,7 +124,7 @@ K가 커질수록 경계선 부분이 부드러워진 것을 알 수 있습니
 
 ##### 2. L2 Distance
 
-![cs231n_week2_7](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_2\cs231n_week2_7.JPG) 
+![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.
 
@@ -137,7 +144,7 @@ K-Nearest Neighbor Classifier에서는 L2 distance라는 것이 등장합니다.
 
 3) Test set: 모델이 한 번도 본 적 없는 새로운 데이터여야 하며, 위에서 정한 hyperparameter를 적용하여 최종 예측률을 계산한다.
 
-![cs231n_week2_9_1](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_2\cs231n_week2_9_1.jpg)
+![cs231n_week2_9_1](https://user-images.githubusercontent.com/32008883/30752100-3281d5ce-9ff6-11e7-9122-925aede621ba.jpg)
 
 
 
@@ -147,7 +154,7 @@ K-Nearest Neighbor Classifier에서는 L2 distance라는 것이 등장합니다.
 
 2. L1 distance, L2 distance는 이미지 간 차이를 완벽하게 설명하지 못한다.예를 들어 하단의 4가지 이미지는 모두 같은 L2 distance를 가진다.
 
-   ![cs231n_week2_10_1](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_2\cs231n_week2_10_1.jpg)
+![cs231n_week2_10_1](https://user-images.githubusercontent.com/32008883/30752107-32b40f44-9ff6-11e7-81cc-5994f19e2e2e.jpg)
 
    ​
 
@@ -173,21 +180,21 @@ K-Nearest Neighbor Classifier에서는 L2 distance라는 것이 등장합니다.
 
 
 
-![cs231n_week2_12](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_2\cs231n_week2_12.JPG)
+![cs231n_week2_12](https://user-images.githubusercontent.com/32008883/30752104-32ab5d36-9ff6-11e7-83c1-3583a0f2a7c6.JPG)
 
 
 
-![cs231n_week2_13](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_2\cs231n_week2_13.JPG)
+![cs231n_week2_13](https://user-images.githubusercontent.com/32008883/30752106-32b0ccbc-9ff6-11e7-846c-3745de505460.JPG)
 
 #####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.
 
-![s231n_week2_14](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_2\cs231n_week2_14.JPG)
+![cs231n_week2_14](https://user-images.githubusercontent.com/32008883/30752105-32ae15bc-9ff6-11e7-8ff7-6b84bb4d8ef0.JPG)
 
 #####3)한계
 
-![cs231n_week2_15](C:\Users\kimhj\OneDrive\문서\4-YBIGTA\데이터 사이언스\발표자료\cs231n_2\cs231n_week2_15.JPG)
+![cs231n_week2_15](https://user-images.githubusercontent.com/32008883/30752108-32bb04f2-9ff6-11e7-8f9c-d86d5501ffb6.JPG)
 
 linear classifier도 한계가 있는데, 첫번째 케이스처럼 나누어져있다면 하나의 선으로 구역을 나눌 수 없다. 두번째 도넛과 같은 경우도 마찬가지이다. 세번째 경우도 세가지 덩어리(?)가 흩어져 있어 하나의 선으로 표현하기 어렵다.