|
|
|
Ŭ¶ó¿ìµå ¸ð¹ÙÀÏ ¹× ¿¡Áö ±â¹ÝÀÇ µö·¯´× ½Ç¿ë°¡À̵å : ½Ç¼¼°è AI ¹× ÄÄÇ»ÅͺñÁ¯, ÇÁ·ÎÁ§Æ® ÆÄÀ̼±, ÄÉ¶ó½º ¹× ÅÙ¼Ç÷οì È°¿ë
|
|
|
Siddha Ganju, Meher Kasam, ½ÉÀçâ, ÀÌ¿µÇÐ, ÀÌÁ¤È¯, Á¤À±ÁÖ
¤Ó
DK·ÎµåºÏ½º
|
|
|
|
- Á¦ÈÞ¸ô ÁÖ¹® ½Ã °í°´º¸»ó, ÀϺΠÀ̺¥Æ® Âü¿© ¹× ÁõÁ¤Ç° ÁõÁ¤, ÇÏ·ç/´çÀÏ ¹è¼Û¿¡¼ Á¦¿ÜµÇ¹Ç·Î Âü°í ¹Ù¶ø´Ï´Ù.
-
-
-
¿ì¸®´Â Áö±Ý ÀΰøÁö´ÉÀÇ ¸£³×»ó½º¸¦ °æÇèÇÏ°í ÀÖ°í, ¸ðµç »ç¶÷Àº ÀÌ º¯È¿¡ Âü¿©Çϱ⸦ ¿øÇÕ´Ï´Ù. ±×·¡¼ ¿©·¯ºÐµéÀº Áö±Ý ÀÌ Ã¥À» ÇнÀÇÏ°í ÀÖ½À´Ï´Ù. ¿ì¸® ÁÖº¯¿¡´Â µö·¯´×¿¡ °üÇÑ ¼ö¸¹Àº Ã¥ÀÌ ÀÖ½À´Ï´Ù. ±×·±µ¥ ¿Ö ¿ì¸®¿¡°Ô ÀÌ Ã¥ÀÌ ÇÊ¿äÇÒ±î¿ä? Àá½Ã ÈÄ¿¡ ±× ÀÌÀ¯¸¦ ¾Ë°ÔµË´Ï´Ù. 2013³â ÀÌÈÄ µö·¯´×(¸¶ÀÌÅ©·Î¼ÒÇÁÆ®, ¿£ºñµð¾Æ, ¾Æ¸¶Á¸ ¹× ½ºÄù¾î(Square) µî ±â¾÷¿¡¼ Á¦Ç°À» Á¦ÀÛÇÏ´Â µ¿¾È) ÀÇ È¯°æÀÌ Å©°Ô º¯ÈÇß½À´Ï´Ù. ¿¬±¸´Â ²÷ÀÓ¾øÀÌ ¹ßÀüÇÏ¿´°í ¹Ù·Î »ç¿ëÇÒ ¼ö ÀÖÀ» ¸¸ÇÑ µµ±¸°¡ ºÎÁ·ÇÏ´Ù´Â Çö½ÇÀûÀÎ ¹®Á¦¿¡ Á÷¸éÇÏ¿´½À´Ï´Ù.
¿ì¸®´Â ÀÏ¹Ý »ç¿ëÀÚµéÀ» À§ÇÑ ÃÖÁ¾ Á¦Ç°À¸·Î ¿¬±¸¸¦ ÀüȯÇÏ´Â ¹æ¹ý¿¡ ´ëÇÑ ¸íÈ®ÇÑ ÁöħÀÌ ºÎÁ·ÇÏ´Ù´Â °ÍÀ» Ä¿¹Â´ÏƼ°¡ ¼ºÀåÇÏ°í ÇнÀÇÏ´Â µ¿¾È ¹ß°ßÇß½À´Ï´Ù. °á±¹, ÃÖÁ¾ »ç¿ëÀÚ´Â À¥ ºê¶ó¿ìÀú, ½º¸¶Æ®Æù ¶Ç´Â ¿¡Áö ÀåÄ¡ ¾Õ¿¡¼ Á¾Á¾ ¼ö¸¹Àº ½Ã°£ µ¿¾ÈÀÇ ÇØÅ·°ú ½ÇÇèÀ» ÇÏ°í, ºí·Î±×, ±êÇãºê ¹®Á¦, ½º·¹µå, ½ºÅà ¿À¹öÇ÷ÎÀÇ ´äº¯µéÀ» ±¤¹üÀ§ÇÏ°Ô °Ë»öÇÏ°í ÆÐÅ°Áö ÀÛ¼ºÀڵ鿡°Ô À̸ÞÀÏÀ» º¸³»¸é¼ ³ÇØÇÑ Áö½ÄÀ» ¾ò¾î¾ß Çß½À´Ï´Ù. ½ÉÁö¾î ½ÃÀå¿¡ ³ª¿Â Ã¥µéµµ ÀÌ·ÐÀ̳ª ƯÁ¤ÇÑ µµ±¸¸¦ »ç¿ëÇÏ´Â ¹æ¹ý¿¡ ´õ ÃÊÁ¡À» ¸ÂÃß´Â °æÇâÀÌ ÀÖ¾ú½À´Ï´Ù. ¿ì¸®°¡ ±¸ÇÒ ¼ö Àִ å¿¡¼ ¹è¿ï ¼ö ÀÖ´Â ÃÖ¼±Àº Àå³°¨ °°Àº ¿¹Á¦¸¦ ¸¸µå´Â °ÍÀ̾ú½À´Ï´Ù.
À̷аú ½ÇÁ¦ »çÀÌÀÇ Â÷À̸¦ ¸Þ¿ì±â À§ÇØ, ¿¬±¸ÀÚµé»Ó¸¸ ¾Æ´Ï¶ó ½ÇÁúÀûÀÎ Àû¿ë¿¡ ÃÊÁ¡À» µÐ ÃÖÁ¾ »ç¿ëÀÚµé°úµµ ÀΰøÁö´É¿¡ ´ëÇÏ¿© ´ëÈÇÒ ¼ö ÀÖµµ·Ï ÀÌ Ã¥ÀÇ ³»¿ëÀ» ±¸¼ºÇÏ¿´½À´Ï´Ù. ÀÌ Ã¥Àº µ¿±âºÎ¿© »ç·Ê»Ó¸¸ ¾Æ´Ï¶ó ´Ü¼ø Ãë¹ÌºÎÅÍ ±¸±Û ±Ô¸ðÀÇ ¿£Áö´Ï¾î±îÁöÀÇ ±â¼ú ¼öÁØ°ú »ý»ê Á¦Ç° ¾È¿¡ µö·¯´×À» ¹èÆ÷ÇÏ´Â µ¥ ¼ö¹ÝµÇ´Â ³ë·ÂÀ» ±â¹ÝÀ¸·Î ´Ù¾çÇÑ ¼öÁØÀÇ º¹À⼺À» º¸¿©ÁÙ ¼ö ÀÖµµ·Ï ±¸¼ºµÇ¾ú½À´Ï´Ù. ½Ã°£ÀÌ Áö³ª¸é¼ °í¸¿°Ôµµ Ãʺ¸Àڵ鿡°Ô ÀüüÀûÀÎ Á¢±ÙÀÌ °¡´ÉÇØÁ³°í ´õ ¸¹Àº ÅøÀ» »ç¿ëÇÒ ¼ö ÀÖ°Ô µÇ¾ú½À´Ï´Ù. Fast.ai³ª DeepLearning.ai°ú °°Àº ÈǸ¢ÇÑ ¿Â¶óÀÎ ÀÚ·á´Â AI ¸ðµ¨À» ¾î¶»°Ô ±³À°ÇÏ´ÂÁö¸¦ ¾î´À ¶§º¸´Ù ½±°Ô ÀÌÇؽÃÄÑ ÁÖ¾ú½À´Ï´Ù. ¶ÇÇÑ, Ã¥µéÀº ÅÙ¼Ç÷οì¿Í ÆÄÀÌÅäÄ¡(PyTorch) ¿Í °°Àº µö·¯´× ÇÁ·¹ÀÓ¿öÅ©¸¦ »ç¿ëÇÏ¿© ±âº»ÀûÀÎ ±³À° ½ÃÀåÀ» Àå¾ÇÇÏ¿´½À´Ï´Ù. ±×·¯³ª ÀÌ¿Í °°Àº »óȲ¿¡µµ ºÒ±¸ÇÏ°í, À̷аú »ý»ê »çÀÌÀÇ ³ÐÀº °£°ÝÀº ´ëºÎºÐ ¹«½ÃµÇ¾ú½À´Ï´Ù. ¿ì¸®´Â ÀÌ °£±ØÀ» ¸Þ¿ì°í ½Í¾î¼ ¿©·¯ºÐÀÌ Áö±Ý Àаí ÀÖ´Â ÀÌ Ã¥À» ÃâÆÇÇÏ°Ô µÇ¾ú½À´Ï´Ù.
ÀÌ Ã¥Àº ÄÄÇ»ÅÍ ºñÀü¿¡ Á¢±Ù °¡´ÉÇÑ ¾ð¾î¿Í Áï½Ã ½ÇÇà °¡´ÉÇÑ Àç¹ÌÀÖ´Â ÇÁ·ÎÁ§Æ®¸¦ »ç¿ëÇÏ¿©, ¸Ó½Å·¯´×°ú AI¿¡ ´ëÇÑ Áö½ÄÀÌ ÇÊ¿ä ¾ø´Â °£´ÜÇÑ ºÐ·ù±â·Î ½ÃÀÛÇÏ¿© Á¡Â÷ º¹À⼺À» Ãß°¡ÇÏ°í Á¤È®¼º°ú ¼Óµµ¸¦ °³¼±ÇÏ¸é¼ ´ë»óÀ» ¼ö¹é¸¸ ¸íÀÇ »ç¿ëÀÚ·Î È®ÀåÇÏ°í, ´Ù¾çÇÑ Çϵå¿þ¾î¿Í ¼ÒÇÁÆ®¿þ¾î·Î ±¸ÇöÇϸç, °á±¹ Ãà¼ÒµÈ ÀÚÀ²ÁÖÇàÂ÷¸¦ Á¦ÀÛÇϱâ À§ÇÏ¿© °È ÇнÀÀ» »ç¿ëÇÏ´Â °ÍÀ¸·Î ³¡ÀÌ ³³´Ï´Ù. °ÅÀÇ ¸ðµç ÀåµéÀº µ¿±â¸¦ ºÎ¿©ÇÏ´Â ¿¹¿¡¼ ½ÃÀÛÇÏ¿© ¼Ö·ç¼ÇÀ» ±¸ÃàÇÏ´Â ÇÁ·Î¼¼½º¸¦ ÅëÇØ ¹°¾îº¼ ¼ö ÀÖ´Â Áú¹®À» ¹Ì¸® ¼³Á¤ÇÏ°í, ´Ù¾çÇÑ ¼öÁØÀÇ º¹À⼺°ú ³ë·ÂÀ¸·Î ¹®Á¦¸¦ ÇØ°áÇϱâ À§ÇÑ ¿©·¯ °¡Áö Á¢±Ù ¹æ¹ýÀ» ³íÀÇÇÕ´Ï´Ù. ºü¸¥ ÇØ°áÃ¥À» ã°í ÀÖ´Ù¸é, ÇÑ ÀåÀÇ ¸î ÆäÀÌÁö¸¦ ÀÐ°í ³¡¸¶Ä¥ ¼öµµ ÀÖ½À´Ï´Ù. ÇØ´ç ÁÖÁ¦¿¡ ´ëÇØ Á» ´õ ±íÀÌ ÀÌÇØÇϱ⸦ ¿øÇÏ´Â »ç¶÷Àº Àüü ÀåÀ» Àоî¾ß ÇÕ´Ï´Ù. ¹°·Ð ¸ðµç »ç¶÷ÀÌ ÀÌ Ã¥¿¡ Æ÷ÇÔµÈ »ç·Ê ¿¬±¸¸¦ ¼÷ÁöÇØ¾ß ÇÕ´Ï´Ù. ±× ÀÌÀ¯´Â Àо¸é Àç¹ÌÀÖ½À´Ï´Ù. ¶Ç ÀÌ Ã¥¿¡¼ ³íÀÇµÈ °³³äÀ» »ç¿ëÇÏ¿© ½ÇÁ¦ Á¦Ç°À» ¸¸µå´Â ¹æ¹ýÀ» º¸¿©ÁÝ´Ï´Ù.
¶ÇÇÑ, Ŭ¶ó¿ìµå, ºê¶ó¿ìÀú, ¸ð¹ÙÀÏ ¹× ¿¡Áö ÀåÄ¡¸¦ »ç¿ëÇÏ¿© ½ÇÁ¦ ¾ÖÇø®ÄÉÀ̼ÇÀ» ±¸ÃàÇϴµ¥ ÀÖ¾î µö·¯´× Àü¹®°¡¿Í ¾÷°è Àü¹®°¡°¡ ...Á÷¸éÇÑ ¸¹Àº ½ÇÁúÀûÀÎ ¹®Á¦¿¡ ´ëÇؼµµ ³íÀÇÇÕ´Ï´Ù. ¿ì¸®´Â µ¶ÀÚµéÀÌ ´©±º°¡ÀÇ ÇϷ縦 Á¶±Ý ´õ ÁÁ°Ô ¸¸µé ¼ö ÀÖ´Â ¾ÖÇø®ÄÉÀ̼ÇÀ» ¸¸µéµµ·Ï Àå·ÁÇϱâ À§ÇÏ¿© ÀÌ Ã¥¿¡¼ ½ÇÁ¦ÀûÀÎ ÆÁ°ú »îÀÇ ±³ÈÆÀ» Á¦½ÃÇÏ¿´½À´Ï´Ù.
-
-
¿¹»óÀ» ³Ñ¾î ¾ËÆÄ°í°¡ ½Â¸®ÇÑÁö 4³âÀÌ Áö³ ÇöÀç ±¸±ÛÀ» ÇʵηΠÇÏ´Â ±â¾÷µéÀº 4Â÷ »ê¾÷Çõ¸í ½Ã´ëÀÇ ÁÖµµ±ÇÀ» ¼±Á¡Çϱâ À§ÇÏ¿© AI(ÀΰøÁö´É) ±â¼ú ¿¬±¸¿¡ ÃÑ·ÂÀ» ±â¿ïÀÌ°í ÀÖ´Ù.
Àΰ£ÀÇ Áö°¢, ÇнÀ ¹× Ãß·Ð ´É·ÂÀ» ¸ð¹æÇÑ AI ³í¹®µéÀÌ ¼ö¾øÀÌ ¹ßÇ¥µÇ¸ç, ¹°Ã¼ÀÎ½Ä ºÐ¾ß´Â ÀÌ¹Ì Àΰ£ÀÇ ÀνĴɷÂÀ» ¶Ù¾î³Ñ¾ú´Ù. ÀÎÅÍ³Ý »ç¿ëÀÚÀÇ °Ë»ö ÆÐÅÏÀ¸·Î ¿¬·É´ë, ¼ºÇâ, ´É·ÂµîÀ» ºÐ¼®ÇÏ¿© ¸ÂÃãÇü °Ë»ö ¼ºñ½º°¡ Àͼ÷ÇØÁ³°í, 꺿Àº ƯÁ¤ÀÎÀÇ ¸ñ¼Ò¸®¸¦ ÇнÀÇÏ°í Èä³» ³»¾î Çö½Ç°ú °¡»óÀÇ °æ°è°¡ ¸ðÈ£ÇØ Áö°í ÀÖ´Ù. AIÀÇ ¹Ì·¡ °¡´É¼ºÀº Àü¹®°¡µéÁ¶Â÷µµ °¡´ÆÇϱ⠾î·Á¿ì¸ç ÀÌ¿¡ µû¶ó AI ¼ÒÇÁÆ®¿þ¾î ¿ª·®ÀÇ °È°¡ ¿ä±¸µÇ°í ÀÖ´Ù. ¿ì¸®³ª¶óµµ ¼ÒÇÁÆ®¿þ¾îÀû »ç°í¿Í AI ÀÎÀç ¾ç¼ºÀ» À§ÇØ ¼ÒÇÁÆ®¿þ¾î ±³À°À» °ÈÇÏ°í ÀÖ´Ù. ÀÌ ½ËÁ¡¿¡¼ ÀΰøÁö´ÉÀÇ ±âÃÊ¿Í ½Ç½ÀÀÌ Æ÷ÇÔµÈ ½Ç¿ëÀûÀÎ ¡°Practical Deep Learning for Cloud, Mobile, and Edge¡±¸¦ ¹ø¿ªÇÏ¿© ±¹³» µ¶Àڵ鿡°Ô º¸±ÞÇÏ°Ô µÇ¾î ±â»Ú´Ù.
ÀÌ Ã¥Àº ¸ÕÀú AI¿Í µö·¯´×¿¡ ´ëÇÑ Áö½ÄÀÌ ¾ø¾îµµ ½±°Ô µû¶óÇÒ ¼ö ÀÖµµ·Ï °£´ÜÇÑ À̹ÌÁö ¹× °´Ã¼ ºÐ·ù±âÀÇ ±¸ÇöÀ¸·Î ½ÃÀÛÇÑ´Ù. ¼øÂ÷ÀûÀ¸·Î ³»¿ëÀÌ °ÈµÇ¾î Ãʺ¸ÀÚ»Ó¸¸ ¾Æ´Ï¶ó AI¸¦ ¿¬±¸ÇÏ°í ÀÖ´Â °³¹ßÀڵ鿡°Ôµµ ½ÇÁúÀûÀÎ µµ¿òÀ» Á¦°øÇÏ°í ÀÖ´Ù. °ªºñ½Ñ Çϵå¿þ¾î¾øÀÌ ÅÙ¼Ç÷ο쳪 Äɶ󽺷Π±¸ÇöµÈ ¼Ò½º ÄÚµåµéÀ» Ŭ¶ó¿ìµå¿Í ¸ð¹ÙÀÏ ¹× ¿¡Áö ó¸®ÀåÄ¡¸¦ ±â¹ÝÀ¸·Î ½ÇÇèÀ» ÇÒ ¼ö ÀÖ°í ¾ÛÀ» ±¸ÇöÇÏ¿© ¹èÆ÷ÇÒ ¼ö ÀÖ´Â ¹æ¹ý±îÁö ¼³¸íÇÏ°í ÀÖ´Ù. ¶ÇÇÑ ¿¡Áö ó¸®ÀåÄ¡(¶óÁ¸®ÆÄÀÌ, ±¸±ÛÀÇ Coral, ÀÎÅÚÀÇ Movidius) ¸¦ ÀÌ¿ëÇÏ¿© âÀÇÀûÀÎ ·Îº¿ Á¦ÀÛ¿¡ ´ëÇÑ ¹æ¹ýÀ» Á¦½ÃÇÏ°í ÀÖ´Ù. AI ¿ª·®ÀÌ ÇÊ¿äÇÑ µ¶ÀÚµéÀÌ ÀÌ Ã¥ÀÇ »ç·ÊµéÀ» Â÷·Ê´ë·Î ÇнÀ, ±¸Çö ¹× ºÐ¼®ÇÏ¸é¼ °¢ÀÚÀÇ ½Ç·ÂÀ» Çâ»ó½ÃÅ°±â¸¦ Èñ¸ÁÇÑ´Ù.
¡áÀÌ Ã¥ÀÇ Æ¯Â¡
ÀÌ Ã¥Àº ´Ü°èº° °¡À̵å·Î¼ Ŭ¶ó¿ìµå, ¸ð¹ÙÀÏ, ºê¶ó¿ìÀú ¹× Á÷Á¢ Á¦ÀÛÇÏ´Â ¿¡Áö µð¹ÙÀ̽ºµé¿¡ ´ëÇÑ ½ÇÁúÀûÀÎ µö·¯´× ÀÀ¿ëµéÀ» ±¸ÃàÇÏ´Â ¹æ¹ýµéÀ» ¼³¸íÇÏ°í ÀÖ´Ù.
¼ö³â°£ÀÇ ¾÷°è °æÇèÀ» ¹ÙÅÁÀ¸·Î µö·¯´× ¿¬±¸¿¡ ºû³ª´Â ¼ö»ó °æ·ÂÀÇ Anirudh Koul, Siddha Ganju ¹× Meher kasam´Â ¾Æ·¡ÀÇ ¾ÆÀ̵ð¾î¸¦ ±¸ÇöÇÒ ¼ö ÀÖµµ·Ï ¾È³»ÇÑ´Ù.
¤ý Keras, TensorFlow, CoreML ±×¸®°í TensorFlow Lite¸¦ »ç¿ëÇÏ¿© ÄÄÇ»ÅÍ ºñÀü ¸ðµ¨À» ÈÆ·Ã, Á¶Á¤ ¹× ¹èÆ÷
¤ý Raspberry Pi, Jetson Nano ±×¸®°í Google CoralÀ» Æ÷ÇÔÇÑ ´Ù¾çÇÑ ÀåÄ¡¸¦ À§ÇÑ Al °³¹ß
¤ý Silicon ValleyÀÇ ¡°Not Hotdog¡±¾Û¿¡¼ Google ½ºÄÉÀÏÀ̹ÌÁö °Ë»ö, 40°³ ÀÌ»óÀÇ »ç·Ê ¿¬±¸ ¹× »ê¾÷ »ç·Ê¿¡ À̸£±â±îÁö Àç¹ÌÀÖ´Â ÇÁ·ÎÁ§Æ®¸¦ Ž»ö
¤ý ºñµð¿À °ÔÀÓ È¯°æ¿¡¼ ÀÚÀ² ÁÖÇà ÀÚµ¿Â÷¸¦ ½Ã¹Ä·¹À̼ÇÇÏ°í °È ÇнÀÀ¸·Î ¹Ì´Ï¾îó ¹öÀüÀ» ±¸Çö
¤ý ÀüÀÌ ÇнÀÀ» »ç¿ëÇÏ¿© ¸î ºÐ ¾È¿¡ ¸ðµ¨À» ÈÆ·Ã
¤ý ¸ðµ¨ Á¤È®µµ ¹× ¼ÓµµÀÇ ±Ø´ëÈ, µð¹ö±ë ¹× ¼ö¹é¸¸ ¸íÀÇ »ç¿ëÀÚ¿¡ ´ëÇÑ È®ÀåÀ» À§ÇÑ 50°¡Áö ÀÌ»óÀÇ ½Ç¿ëÀûÀÎ ÆÁÀ» ¾È³»
¡á °¢ ¾÷°èÀÇ ³íÆò
¡°½Ç¿ëÀûÀ̶ó´Â °ÍÀº ÀÌ Ã¥ÀÇ Á¦¸ñ¿¡ ÀûÇÕÇÏ´Ù. »ê¾÷°è¿¡¼ ¿À´Ã³¯ÀÇ ML »ç·Ê¿¡ ´ëÇØ µÎ
°¡Áö ¿ì¼± ¼øÀ§°¡ ÀÖ´Ù. »ç¿ëÀÚµéÀº ½ºÅ³À» Çâ»ó½ÃÄÑ¾ß ÇÏ°í ¸ðµ¨Àº ¹Ì¼¼ Á¶Á¤ÀÌ ÇÊ¿äÇÏ
´Ù. ÀÌ Ã¥Àº ÀÌ µÎ °¡Áö¸¦ ºü¸£°Ô ¸¸Á·½Ãų ¼ö ÀÖ´Ù.¡±
-Paco Nathan, Derwen AI ¼³¸³ÀÚ
-
-
Á¦1Àå ÀΰøÁö´É¿¡ ´ëÇÑ Àü¹ÝÀûÀÎ ÀÌÇØ 01
»ç°ú¹® 04
½ÇÁ¦ ¼·Ð 04
AI¶õ ¹«¾ùÀΰ¡? 05
µ¿±âºÎ¿© »ç·Ê 06
°£·«ÇÑ AI ¿ª»ç 08
Èï¹ÌÁøÁøÇÑ ½ÃÀÛ 08
¾îµÓ°í Ãß¿î ³¯µé 09
Èñ¹ÌÇÑ Èñ¸ÁÀÇ ºû 010
µö·¯´×Àº ¾î¶»°Ô µÇ¾ú³ª 014
¿Ïº®ÇÑ µö·¯´× ¼Ö·ç¼ÇÀ» À§ÇÑ ·¹½ÃÇÇ 017
µ¥ÀÌÅÍ ¼¼Æ® 018
¸ðµ¨ ¾ÆÅ°ÅØó 021
ÇÁ·¹ÀÓ¿öÅ© 024
Çϵå¿þ¾î 027
Ã¥ÀÓ°¨ÀÖ´Â AI 029
ÆíÇ⼺ 031
Ã¥ÀÓ¼º°ú ¸íÈ®¼º 033
ÀçÇö¼º 034
°Àμº 035
ÇÁ¶óÀ̹ö½Ã 035
¿ä¾à 036
ÀÚÁÖ ¹¯´Â Áú¹® 036
Á¦2Àå »çÁø¿¡´Â ¹«¾ùÀÌ ÀÖ³ª: Äɶó½º(Keras)¸¦ »ç¿ëÇÑ
À̹ÌÁö ºÐ·ù
¶ó½º ¼Ò°³ 042
À̹ÌÁö Ä«Å×°í¸® ¿¹Ãø 043
¸ðµ¨ Á¶»ç 048
ImageNet µ¥ÀÌÅÍ ¼¼Æ® 048
¸ðµ¨ ÁýÇÕ¼Ò 050
¸ñÂ÷
vi ¸ñÂ÷
Ŭ·¡½º È°¼ºÈ ¸Ê 052
¿ä¾à 055
Á¦3Àå °í¾çÀÌ¿Í °³: 30ÁÙÀÇ Äɶ󽺷Π±¸ÇöÇÑ ÀüÀÌ ÇнÀ
»çÀü ÈÆ·ÃµÈ ¸ðµ¨À» »õ·Î¿î ÀÛ¾÷¿¡ Àû¿ëÇϱâ 059
Äܺ¼·ç¼Ç ½Å°æ¸Á¿¡ ´ëÇÑ °£´ÜÇÑ °íÂû 061
ÀüÀÌ ÇнÀ 063
¹Ì¼¼ Á¶Á¤ 063
¹Ì¼¼ Á¶Á¤ÇÏ´Â Á¤µµ 064
ÀüÀÌ ÇнÀ°ú Äɶ󽺸¦ ÀÌ¿ëÇÑ »ç¿ëÀÚ Á¤ÀÇ ºÐ·ù±â ¸¸µé±â 066
µ¥ÀÌÅÍ ±¸¼º 067
µ¥ÀÌÅÍ ÆÄÀÌÇÁ ¶óÀÎ ±¸Ãà 069
Ŭ·¡½ºÀÇ ¼ö 069
¹èÄ¡ Å©±â 070
µ¥ÀÌÅÍ Áõ° 07...1
¸ðµ¨ Á¤ÀÇ 074
¸ðµ¨ ÈÆ·Ã 075
ÈÆ·Ã ¸Å°³ º¯¼ö ¼³Á¤ 075
ÈÆ·Ã ½ÃÀÛ 076
¸ðµ¨ Å×½ºÆ® 078
°á°ú ºÐ¼® 078
Ãß°¡·Î ÀÐÀ» ÀÚ·á 085
¿ä¾à 087
Á¦4Àå ¿ª(reverse) À̹ÌÁö °Ë»ö¿£Áø ±¸Ãà: ÀÓº£µù ÀÌÇØ
À̹ÌÁö À¯»çµµ 092
Ư¡ ÃßÃâ 095
À¯»çµµ °Ë»ö 098
t-SNE·Î À̹ÌÁö Ŭ·¯½ºÅÍ ½Ã°¢È 102
À¯»çµµ °Ë»ö ¼Óµµ Çâ»ó 106
Ư¡ º¤ÅÍÀÇ ±æÀÌ 106
PCA·Î Ư¡ ±æÀÌ ÁÙÀ̱â 108
±Ù»ç ±ÙÁ¢ ÀÌ¿ô Ž»öÀ» »ç¿ëÇÑ À¯»çµµ °Ë»ö È®Àå 113
±Ù»ç ±ÙÁ¢ ÀÌ¿ô Ž»ö ¾Ë°í¸®ÁòÀÇ º¥Ä¡¸¶Å© 113
¾î¶² ¶óÀ̺귯¸®¸¦ »ç¿ëÇÒ °ÍÀΰ¡? 115
vii ¸ñÂ÷
ÇÕ¼º µ¥ÀÌÅÍ ¼¼Æ® »ý¼º 115
¹«Â÷º°(Brute Force) Ž»ö 116
Annoy 116
NGT 117
Faiss 118
¹Ì¼¼ Á¶Á¤À¸·Î Á¤È®µµ Çâ»ó 118
¿ÏÀü ¿¬°á °èÃþ ¾øÀÌ ¹Ì¼¼ Á¶Á¤Çϱâ 122
¿ø-¼¦ ¾ó±¼ °ËÁõÀ» À§ÇÑ Siamese Networks 123
»ç·Ê ¿¬±¸ 125
Flickr 125
Pinterest 126
À¯¸íÀÎ»ç ´ë¿ª(Celebrity Doppelgangers) 127
Spotify 127
À̹ÌÁö ĸ¼Ç 128
¿ä¾à 130
Á¦5Àå Ãʺ¸¿¡¼ Àü¹® ¿¹Ãø±â·Î: Äܺ¼·ç¼Ç ½Å°æ¸ÁÀÇ Á¤È®µµ
±Ø´ëÈ
»ç¿ëÇÒ ¿©·¯ °¡Áö µµ±¸ 134
ÅÙ¼ÇÃ·Î¿ì µ¥ÀÌÅÍ ¼¼Æ®(TensorFlow Datasets) 135
ÅÙ¼º¸µå(TensorBoard) 136
What-If Tool 139
tf-explain 143
¸Ó½Å·¯´× ½Ç½ÀÀ» À§ÇÑ ÀϹÝÀûÀÎ ±â¹ý 145
µ¥ÀÌÅÍ °Ë»ç 145
µ¥ÀÌÅÍ ºÐÇÒ : ÈÆ·Ã, °ËÁõ, Å×½ºÆ® 146
Á¶±â ¸ØÃã 147
ÀçÇö °¡´ÉÇÑ ½ÇÇè 147
¿£µå-Åõ-¿£µå µö·¯´× ¿¹Á¦ ÆÄÀÌÇÁ¶óÀÎ 148
±âº»ÀûÀÎ ÀüÀÌ ÇнÀ ÆÄÀÌÇÁ¶óÀÎ 148
»ç¿ëÀÚ ¸ÂÃãÇü ½Å°æ¸Á ÆÄÀÌÇÁ¶óÀÎ 151
ÇÏÀÌÆÛÆĶó¹ÌÅÍ°¡ Á¤È®µµ¿¡ ¹ÌÄ¡´Â ¿µÇâ 152
ÀüÀÌ ÇнÀ°ú óÀ½ºÎÅÍ »õ·Î ÈÆ·ÃÇϱâÀÇ ºñ±³ 152
ÀüÀÌ ÇнÀ¿¡¼ ¹Ì¼¼ Á¶Á¤ÇÒ °èÃþ ¼öÀÇ È¿°ú 153
ÀüÀÌ ÇнÀ¿¡ ´ëÇÑ µ¥ÀÌÅÍ Å©±âÀÇ ¿µÇâ 155
viii ¸ñÂ÷
ÇнÀ·üÀÇ ¿µÇâ 156
ÃÖÀûÈ È¿°ú 157
¹èÄ¡ Å©±âÀÇ ¿µÇâ 158
Å©±â Á¶Á¤ÀÇ È¿°ú 159
ÀüÀÌ ÇнÀ¿¡¼ Á¾È¾ºñ º¯°æÀÇ ¿µÇâ 160
ÃÖ´ë Á¤È®µµ¸¦ À§ÇÑ Æ©´× ÀÚµ¿È µµ±¸ 160
ÄÉ¶ó½º Æ©³Ê(Keras Tuner) 161
ÀÚµ¿Áõ°(AutoAugment) 163
ÀÚµ¿Äɶó½º(AutoKeras) 164
¿ä¾à 165
Á¦6Àå ¼Óµµ¿Í ¼º´É ±Ø´ëÈ ÅÙ¼ Ç÷οì: Æí¸®ÇÑ Á¡°ËÇ¥
GPU ºÎÁ· 169
nvidia-smi 170
ÅÙ¼Ç÷ΠÇÁ·ÎÆÄÀÏ·¯ + ÅÙ¼º¸µå 172
üũ¸®½ºÆ® »ç¿ë¹ý 174
¼º´É üũ¸®½ºÆ® 174
µ¥ÀÌÅÍ Áغñ 176
TFRecords ÀúÀå 176
ÀÔ·Â µ¥ÀÌÅÍÀÇ Å©±â Ãà¼Ò 177
ÅÙ¼ÇÃ·Î¿ì µ¥ÀÌÅÍ ¼¼Æ® »ç¿ë 178
µ¥ÀÌÅÍ Àбâ 179
tf.data »ç¿ë 179
µ¥ÀÌÅÍ ¹Ì¸® ÃßÃâ 180
º´·Ä CPUó¸® 180
º´·Ä I/O ó¸® 181
ºñ°áÁ¤Àû ¼ø¼ È°¼ºÈ 181
ij½Ã µ¥ÀÌÅÍ 182
½ÇÇè ÃÖÀûÈ ¼³Á¤ 182
Map À¶ÇÕ 184
ÀÚµ¿Æ©´× ÆĶó¹ÌÅÍ º¯¼ö°ª 184
µ¥ÀÌÅÍ Áõ°(Augmentation) 185
Áõ°À» À§ÇÑ GPU »ç¿ë 185
ÈÆ·Ã 187
ÀÚµ¿ È¥ÇÕ Á¤¹Ðµµ »ç¿ë 187
º¸´Ù Å« ¹èÄ¡(Batch) Å©±â »ç¿ë 188
ix ¸ñÂ÷
8 ÀÇ ¹è¼ö »ç¿ë 189
ÃÖÀûÀÇ ÇнÀ·ü ã±â 190
tf.function »ç¿ë 192
¿À¹öÆ®·¹ÀÎ ±×¸®°í ÀϹÝÈ 193
Çϵå¿þ¾î¿¡ ÃÖÀûÈµÈ ½ºÅà ¼³Ä¡ 195
º´·Ä CPU ¾²·¹µåÀÇ °³¼ö ÃÖÀûÈ 197
º¸´Ù ÁÁÀº Çϵå¿þ¾î »ç¿ë 198
ÈÆ·ÃÀÇ ºÐ»ê 199
»ê¾÷°è º¥Ä¡¸¶Å© ½ÇÇè 201
Ãß·Ð 203
È¿°úÀûÀÎ ¸ðµ¨ »ç¿ë 203
¸ðµ¨ ¾çÀÚÈ 206
¸ðµ¨ Á¤¸® 208
À¶ÇÕ ÀÛ¾÷ »ç¿ë 209
GPU Áö¼Ó¼º È°¼ºÈ 210
¿ä¾à 210
Á¦7Àå ½ÇÁúÀûÀÎ Åø, ÆÁ ±×¸®°í ±â¼ú 211
¼³Ä¡ 213
ÈÆ·Ã 215
¸ðµ¨ 217
µ¥ÀÌÅÍ 218
Privacy 221
±³À°°ú °³¹ß 222
¸¶Áö¸· Áú¹® 224
Á¦8Àå ÄÄÇ»ÅÍ ºñÀüÀ» À§ÇÑ Å¬¶ó¿ìµå API: 15ºÐ ¾È¿¡ ¼³Ä¡ ¹×
½ÇÇà
½Ã°¢Àû ÀÎ½Ä APIÀÇ Ç³°æ 229
Clarifai 229
¸¶ÀÌÅ©·Î¼ÒÇÁÆ® ÀÎÁö ¼ºñ½º 230
±¸±Û Ŭ¶ó¿ìµå ºñÀü 230
¾Æ¸¶Á¸ Rekognition 231
IBM ¿Ó½¼ÀÇ Visual Recognition 232
¾Ë°í¸®Áò 233
x ¸ñÂ÷
Visual Recognition API ºñ±³ 234
Á¦°ø ¼ºñ½º 235
ºñ¿ë 236
Á¤È®µµ 236
ÆíÇ⼺ 238
Cloud API ½ÃÀÛ ¹× ½ÇÇà 242
»ç¿ëÀÚ ºÐ·ù±â ÈÆ·Ã 245
ºÐ·ù±â°¡ ¸¸Á·½º·´°Ô ÀÛµ¿ÇÏÁö ¾Ê´Â ÁÖ¿ä ÀÌÀ¯ 250
»ç¿ëÀÚ ºÐ·ù API ºñ±³ 252
Ŭ¶ó¿ìµå API¸¦ À§ÇÑ ¼º´É Æ©´× 255
¿µ»ó ¶óº§¸µ¿¡¼ Å©±â Á¶Àý È¿°ú 255
¿µ»ó ¶óº§¸µ¿¡¼ ¾ÐÃàÀÇ È¿°ú 256
OCR APIs¿¡¼ ¾ÐÃà È¿°ú 257
OCR APIs¿¡¼ Å©±â º¯È È¿°ú 257
½ÇÁ¦ Àû¿ë »ç·Ê 258
¿ä¾à 264
Á¦9Àå ÅÙ¼ÇÃ·Î¿ì ¼ºù ¹× KubeFlow¸¦ »ç¿ëÇÏ¿© Ŭ¶ó¿ìµå
¿¡¼ È®Àå °¡´ÉÇÑ Ãß·Ð ¼ºñ½º
Àΰø Áö´É ¿¹ÃøÀÇ ¸ð½À 268
Flask: ¿©·¯ºÐ ÀÚ½ÅÀÇ ¼¹ö ±¸Ãà 270
Flask·Î REST API ¸¸µé±â 270
Flask¿¡ ÄÉ¶ó½º ¸ðµ¨ ¹èÆ÷ 271
Flask »ç¿ëÀÇ ÀåÁ¡ 272
Flask »ç¿ëÀÇ ´ÜÁ¡ 272
»ý»ê ¼öÁØÀÇ ¼ºù ½Ã½ºÅÛ¿¡¼ ¹Ù¶÷Á÷ÇÑ Ç°Áú 272
³ôÀº °¡¿ë¼º 273
È®À强 273
³·Àº ´ë±â ½Ã°£ 274
Áö¸®Àû °¡¿ë¼º 274
½ÇÆÐ ´Ù·ç±â 275
°¨½Ã 276
¸ðµ¨ ¹öÀü 276
A/B Å×½ºÆ® 276
´Ù¾çÇÑ ¸Ó½Å·¯´× ¶óÀ̺귯¸® Áö¿ø 276
xi ¸ñÂ÷
±¸±Û Ŭ¶ó¿ìµå ML¿£Áø: °ü¸® Ŭ¶ó¿ìµå Àΰø Áö´É ¼ºù ½ºÅà 277
Cloud ML Engine »ç¿ëÀÇ ÀåÁ¡ 277
Ŭ¶ó¿ìµå ML ¿£Áø »ç¿ë ´ÜÁ¡ 277
ºÐ·ù API ±¸Ãà 277
ÅÙ¼ÇÃ·Î¿ì ¼ºù(Serving) 284
¼³Ä¡ 285
KubeFlow 286
ÆÄÀÌÇÁ¶óÀÎ 289
Æä¾î¸µ 289
¼³Ä¡ 290
°¡°Ý¿¡ ´ëÇÑ ¼º´É °í·Á »çÇ× 292
Inference-as-a-ServiceÀÇ ºñ¿ë ºÐ¼® 292
ÀÚ½ÅÀÇ ½ºÅÃÀ» ±¸ÃàÇÏ´Â ºñ¿ë ºÐ¼® 294
¿ä¾à 295
Á¦10Àå TensorFlow.js¿Í ml5.js¸¦ »ç¿ëÇÏ´Â ºê¶ó¿ìÀúÀÇ AI
JavaScript ±â¹Ý ±â°è ÇнÀ ¶óÀ̺귯¸®: °£·«ÇÑ ¿ª»ç 300
ConvNetJS 301
Keras.js 302
ONNX.js 302
TensorFlow.js 303
TensorFlow.js Architecture 305
TensorFlow.js¸¦ »ç¿ëÇÑ »çÀü ÈÆ·ÃµÈ ¸ðµ¨ÀÇ ½ÇÇà 306
ºê¶ó¿ìÀúÀÇ ¸ðµ¨ º¯È¯ 308
ºê¶ó¿ìÀú¿¡¼ ÈÆ·Ã 309
Ư¡ ÃßÃâ 310
µ¥ÀÌÅÍ ¼öÁý 311
ÈÆ·Ã 312
GPU È°¿ë 314
ml5.js 315
PoseNet 317
pix2pix 321
º¥Ä¡¸¶Å· ¹× ½ÇÁ¦ °í·Á »çÇ× 326
¸ðµ¨ Å©±â 326
Ãß·Ð ½Ã°£ 326
xii ¸ñÂ÷
»ç·Ê ¿¬±¸ 328
ÁØ ÁöÈÖÀÚ 329
TensorSpace 329
Metacar 330
¿¡¾îºñ¿£ºñ(Airbnb)ÀÇ »çÁø ºÐ·ù 331
GAN Lab 331
¿ä¾à 332
Á¦11Àå Core MLÀ» »ç¿ëÇÏ´Â iOS¿¡¼ ½Ç½Ã°£ °´Ã¼ ºÐ·ù
¸ð¹ÙÀÏ Àΰø Áö´É °³¹ßÀ» À§ÇÑ »ý¸í ÁÖ±â 336
Core MLÀÇ °£·«ÇÑ ¿ª»ç 338
Core ML¿¡ ´ëÇÑ ´ë¾È 340
ÅÙ¼ÇÃ·Î¿ì ¶óÀÌÆ® 340
ML Kit 341
Fritz AI 341
¾ÖÇÃÀÇ ¸Ó½Å·¯´× ¾ÆÅ°ÅØó 341
µµ¸ÞÀÎ ±â¹Ý ÇÁ·¹ÀÓ¿öÅ© 342
ML ÇÁ·¹ÀÓ¿öÅ© 343
ML ¼º´É ÇÁ¸®¹ÌƼºê 343
½Ç½Ã°£ °´Ã¼ ÀÎ½Ä ¾Û ±¸Ãà 344
Core ML·Î º¯È¯ 350
Äɶ󽺷κÎÅÍ º¯È¯ 351
ÅÙ¼Ç÷οì·ÎºÎÅÍ º¯È¯ 351
Dynamic Model Deployment 352
¿Â µð¹ÙÀ̽º ÈÆ·Ã 354
¿¬ÇÕ ÇнÀ(Federated Learning) 355
¼º´É ºÐ¼®(Performance Analysis) 356
¾ÆÀÌÆù¿¡¼ ¹êÄ¡¸¶Å· ¸ðµ¨ 356
¿¡³ÊÁö ¿µÇâ ÃøÁ¤ 360
¹êÄ¡¸¶Å· ºÎÇÏ(Load) 362
¾Û Å©±â ÁÙÀ̱â 365
¸ðµ¨ ¹øµé¸µ ¹æÁö 365
¾çÀÚÈ »ç¿ë 366
Create ML »ç¿ë 367
»ç·Ê ¿¬±¸ 368
xiii ¸ñÂ÷
¸ÅÁ÷ ¼öµµÄí(Magic Sudoku) 368
½Ã°¢ AI(Seeing AI) 369
ȨÄÚÆ®(HomeCourt) 370
ÀνºÅ¸»ç¹ö(InstaSaber) + ¿äÆÛÇÍ(YoPuppet) 371
¿ä¾à 374
Á¦12Àå Core ML ¹× Create MLÀ» »ç¿ëÇÏ´Â iOSÀÇ Not
Hotdog
ÀÚ·á¼öÁý 379
Á¢±Ù 1: µ¥ÀÌÅÍ Ã£±â ¶Ç´Â ¼öÁý 379
Á¢±Ù 2: Fatkun Å©·Ò ºê¶ó¿ìÀú È®Àå 380
Á¢±Ù 3: Bing Image Search API¸¦ »ç¿ëÇÏ´Â À¥ ½ºÅ©·¹ÀÌÆÛ 383
¸ðµ¨ ÈÆ·Ã 384
Á¢±Ù 1: Web UI-±â¹Ý Tools »ç¿ëÇϱâ 384
Á¢±Ù 2: Create ML »ç¿ë 388
Á¢±Ù 3: Äɶ󽺸¦ »ç¿ëÇÑ ÆÄÀÎ Æ©ÆÃ(Fine Tuning) 394
Core ML ToolsÀ» »ç¿ëÇÑ ¸ðµ¨ º¯È¯ 394
iOS ¾Û ¸¸µé±â 395
ÃßÈÄ ¿¬±¸ 396
¿ä¾à 396
Á¦13Àå À½½ÄÀ» À§ÇÑ Shazam: ÅÙ¼ÇÃ·Î¿ì ¶óÀÌÆ® ¹× ML Å°Æ®
¸¦ »ç¿ëÇÏ¿© ¾Èµå·ÎÀÌµå ¾Û °³¹ß
À½½Ä ºÐ·ù ¾ÛÀÇ »ý¸í ÁÖ±â 400
ÅÙ¼ÇÃ·Î¿ì ¶óÀÌÆ® °³¿ä 402
ÅÙ¼ÇÃ·Î¿ì ¶óÀÌÆ® ¾ÆÅ°ÅØó 405
ÅÙ¼ÇÃ·Î¿ì ¶óÀÌÆ®·Î ¸ðµ¨ º¯È¯ 406
½Ç½Ã°£ °´Ã¼ ÀÎ½Ä ¾Û ±¸Ãà 407
ML Kit + Firebase 414
ML Å°Æ®¿¡¼ °´Ã¼ ºÐ·ù 416
ML Å°Æ®¿¡¼ ¸ÂÃãÇü ¸ðµ¨ 416
È£½ºÆ® ¸ðµ¨(Hosted Models) 418
È£½ºÆÃµÈ ¸ðµ¨ÀÇ A/B Å×½ºÆ® 422
Äڵ忡¼ ½ÇÇè »ç¿ë 427
iOS »óÀÇ ÅÙ¼ÇÃ·Î¿ì ¶óÀÌÆ® 427
xiv ¸ñÂ÷
¼º´É ÃÖÀûÈ(Performance Optimizations) 427
ÅÙ¼ÇÃ·Î¿ì ¶óÀÌÆ® º¯È¯±â·Î ¾çÀÚÈ 428
ÅÙ¼ÇÃ·Î¿ì ¸ðµ¨ ÃÖÀûÈ µµ±¸ Å°Æ® 428
Fritz 429
¸ð¹ÙÀÏ AI ¾Û °³¹ß »çÀÌŬÀÇ Àüü °íÂû 431
Ãʱ⠵¥ÀÌÅ͸¦ ¼öÁýÇÏ´Â ¹æ¹ý 431
³ªÀÇ µ¥ÀÌÅÍ¿¡ ·¹À̺íÀ» ÁöÁ¤ÇÏ´Â ¹æ¹ý 433
³ªÀÇ ¸ðµ¨À» ÈƷýÃÅ°´Â ¹æ¹ý 433
¸ðµ¨À» ¸ð¹ÙÀÏ¿ë Æ÷¸ËÀ¸·Î º¯È¯ÇÏ´Â ¹æ¹ý 433
¸ðµ¨ ¼º°ú¸¦ ´Þ¼ºÇÏ´Â ¹æ¹ý 434
»ç¿ëÀÚ¸¦ À§ÇÑ ¸ÚÁø UX¸¦ ±¸ÃàÇÏ´Â ¹æ¹ýÀº? 434
¸ðµ¨À» »ç¿ëÀÚ¿¡°Ô Á¦°øÇÏ´Â ¹æ¹ýÀº? 434
¸ðµ¨ÀÇ ¼º°øÀ» ÃøÁ¤ÇÏ´Â ¹æ¹ý 435
¸ðµ¨À» °³¼±ÇÏ´Â ¹æ¹ýÀº? 435
»ç¿ëÀÚÀÇ ½º¸¶Æ®Æù¿¡ ÀÖ´Â ¸ðµ¨À» ¾÷µ¥ÀÌÆ®ÇÏ´Â ¹æ¹ýÀº? 436
ÀÚ±â ÁøÈ ¸ðµ¨ 436
»ç·Ê ¿¬±¸ 438
Lose It! - ´ÙÀ̾îÆ®¸¦ À§ÇÑ ¾Û 438
Pixel 3 ÆùÀÇ ÃÊ»óÈ ¸ðµå 440
¾Ë¸®¹Ù¹ÙÀÇ ¸»ÇÏ´Â »ç¶÷ ÀÎ½Ä 441
ML Å°Æ®ÀÇ ¾ó±¼ À±°û 441
À¯Æ©ºê ½ºÅ丮ÀÇ ½Ç½Ã°£ ºñµð¿À ºÐÈ° 442
¿ä¾à 443
Á¦14Àå ÅÙ¼ÇÃ·Î¿ì ¹°Ã¼ °Ë»ö API·Î Á¤È®ÇÑ °í¾çÀÌ À§Ä¡
(Purrect Cat Locator) App ±¸Ãà
ÄÄÇ»ÅÍ ºñÀü ÀÛ¾÷ÀÇ Á¾·ù 448
ºÐ·ù(Classification) 448
À§Ä¡ ÁöÁ¤(Localization) 449
°ËÃâ(Detection) 449
À̹ÌÁö ºÐÇÒ(Segmentation) 450
¹°Ã¼ °¨Áö Á¢±Ù¹æ½Ä 452
¹Ì¸® Á¦ÀÛµÈ Å¬¶ó¿ìµå ±â¹Ý ¹°Ã¼ °¨Áö APIs È£Ãâ 453
ÀÌÀü¿¡ ÈÆ·ÃµÈ ¸ðµ¨ÀÇ Àç»ç¿ë 454
¸ðµ¨ ȹµæ 454
xv ¸ñÂ÷
¸ðµ¨ ±¸µ¿ Å×½ºÆ® 456
±â±â¿¡ ¹èÆ÷Çϱâ(Deploying to a Device) 456
ÄÚµå ¾øÀÌ ¸ÂÃãÇü °¨Áö±â ±¸Çö 459
¹°Ã¼ °¨ÁöÀÇ ÁøÈ 464
¼º´É °í·ÁÇϱâ 466
¹°Ã¼ °¨ÁöÀÇ ÇÙ½É ¿ë¾î 467
ÇÕÁýÇÕ¿¡ ´ëÇÑ ±³ÁýÇÕÀÇ ºñ(Intersection over Union) 467
Æò±ÕÀÇ Æò±Õ Á¤¹Ðµµ(Mean Average Precision) 469
ºñ ÃÖ´ë ¾ïÁ¦(Non-Maximum Suppression) 469
ÅÙ¼ÇÃ·Î¿ì ¹°Ã¼ °Ë»ö API¸¦ »ç¿ëÇÏ¿© »ç¿ëÀÚ Á¤ÀÇ ¸ðµ¨ ÀÛ¼º 470
µ¥ÀÌÅÍ ¼öÁý 470
µ¥ÀÌÅÍ ·¹ÀÌºí¸µ 473
µ¥ÀÌÅÍ Àüó¸® 477
¸ðµ¨ °Ë»çÇϱâ 478
ÈÆ·Ã(Training) 480
¸ðµ¨ º¯È¯ 483
À̹ÌÁö ºÐÇÒ 484
»ç·Ê ¿¬±¸ 485
½º¸¶Æ® ³ÃÀå°í 485
»ç¶÷ ¼ö ¼¼±â 486
Seeing AI ¾Û¿¡¼ ¾ó±¼ ÀÎ½Ä 488
ÀÚÀ²ÁÖÇà ÀÚµ¿Â÷ 489
¿ä¾à 490
Á¦15Àå Á¦ÀÛÀÚ µÇ±â: ÃÖ÷´Ü¿¡¼ ÀÓº£µðµå AI üÇè
ÀÓº£µðµå AI ÀåÄ¡ÀÇ Àü¸Á »ìÆ캸±â 493
¶óÁ¸®ÆÄÀÌ 495
ÀÎÅÚ ¸ðºñµð¿ì½º ´º·² ÄÄǻƮ ½ºÆ½ 497
±¸±Û Coral USB °¡¼Ó±â 498
NVIDIA Jetson Nano 500
FPGA + PYNQ 502
FPGAs 503
¾ÆµÎÀ̳ë 506
ÀÓº£µðµå AIÀåÄ¡ÀÇ Á¤¼ºÀû ºñ±³ 508
Raspberry Pi¿Í ÇÔ²² ÀÛ¾÷ 511
xvi ¸ñÂ÷
±¸±Û Coral USB °¡¼Ó±â¸¦ ÀÌ¿ëÇÑ ¼Óµµ Çâ»ó 513
NVIDIA Jetson NanoÀ» À§ÇÑ Æ÷Æ® 516
µð¹ÙÀ̽ºÀÇ ¼º´É ºñ±³ 520
»ç·Ê ¿¬±¸ 521
JetBot 521
ÁöÇÏö ƼÄÏÀ» ¹Þ±â À§ÇÏ¿© ½ºÄõÆ® ¿îµ¿Çϱâ 522
¿ÀÀÌ ºÐ·ù±â 524
Ãß°¡ Ž±¸ 525
¿ä¾à 526
Á¦16Àå Äɶ󽺷Π¿£µå-Åõ-¿£µå µö·¯´×À» ÀÌ¿ëÇÑ ÀÚÀ²ÁÖÇàÂ÷
½Ã¹Ä·¹À̼Ç
ÀÚÀ²ÁÖÇàÀÇ °£·«ÇÑ ¿ª»ç 532
µö·¯´×, ÀÚÀ²ÁÖÇà ¹× µ¥ÀÌÅÍ ¹®Á¦ 533
ÀÚÀ²ÁÖÇàÀÇ ¡°Hello, World!¡± : ½Ã¹Ä·¹ÀÌ¼Ç È¯°æÀ» ÅëÇÑ ¿îÀü 536
¼³Á¤ ¹× ¿ä±¸ »çÇ× 537
µ¥ÀÌÅÍ Å½»ö ¹× Áغñ 539
°ü½É ¿µ¿ª ½Äº° 542
µ¥ÀÌÅÍ ´Ã¸®±â 544
µ¥ÀÌÅÍ ¼¼Æ® ºÒ±ÕÇü ¹× ÁÖÇà Àü·« 545
ÀÚÀ²ÁÖÇà ¸ðµ¨ ÇнÀ 550
¿îÀü µ¥ÀÌÅÍ »ý¼º±â 551
¸ðµ¨ Á¤ÀÇ 554
ÀÚÀ²ÁÖÇà ¸ðµ¨ ±¸Ãà 560
ÃßÈÄ ¿¬±¸ 565
µ¥ÀÌÅÍ ¼¼Æ® È®Àå 565
¼øÂ÷ µ¥ÀÌÅÍ ÈÆ·Ã 565
°È ÇнÀ 566
¿ä¾à 566
Á¦17Àå 1½Ã°£ À̳»¿¡ ÀÚÀ²ÀÚµ¿Â÷ ±¸Ãà: AWS DeepRacer¸¦
ÀÌ¿ëÇÑ °ÈÇнÀ
°ÈÇнÀÀÇ °£·«ÇÑ ¼Ò°³ 569
DeepRacer¸¦ ÀÌ¿ëÇÑ ½Ç¿ëÀûÀÎ ½ÉÃþ °ÈÇнÀ 572
ù ¹ø° °ÈÇнÀ ±¸Ãà 576
xvii ¸ñÂ÷
1 ´Ü°è: ¸ðµ¨ »ý¼º 577
2 ´Ü°è: ÈÆ·Ã ±¸¼º 578
3 ´Ü°è: ¸ðµ¨ ÈÆ·Ã 585
4 ´Ü°è: ¸ðµ¨ÀÇ ¼º´É Æò°¡ 587
Çൿ °È ÇнÀ 588
°È ÇнÀ ½Ã½ºÅÛÀÌ ÇнÀÇÏ´Â ¹æ¹ý 588
°È ÇнÀ ÀÌ·Ð 592
AWS DeepRacerÀÇ °È ÇнÀ ¾Ë°í¸®Áò 595
DeepRacer¸¦ ¿¹·Î ½ÉÃþ °È ÇнÀ ¿ä¾à 597
5 ´Ü°è: °È ÇнÀ ¸ðµ¨ °³¼± 598
AWS DeepRacer ÀÚµ¿Â÷ °æÁÖ 602
Æ®·¢ ±¸Ãà 602
AWS DeepRacer ´ÜÀÏ È¸Àü Æ®·¢ ÅÛÇø´ 603
AWS DeepRacer ¸ðµ¨ ½ÇÇà 604
AWS DeepRacer Â÷·® ÀÚÀ²ÁÖÇà 604
Ãß°¡ Ž»ö 607
DeepRacer ¸®±× 607
Çâ»óµÈ AWS DeepRacer 608
AI µå¶óÀ̺ù ¿Ã¸²ÇÈ 608
DIY ·Îº¸Ä« 609
·Îº¸·¹À̽º(Roborace) 609
¸Ó½Å·¯´× 613
¿ä¾à 611
ºÎ·Ï ÄÁº¼·ç¼Å³Î ´º·² ³×Æ®¿öÅ©ÀÇ ´Ü±â°úÁ¤
ÆÛ¼ÁÆ®·Ð 614
È°¼ºÈ ÇÔ¼ö 615
´º·² ³×Æ®¿öÅ© 616
¿ªÀüÆÄ(Backpropagation) 617
´º·² ³×Æ®¿öÅ©ÀÇ ´ÜÁ¡ 618
À̹ÌÁö ºÐ·ù±âÀÇ ¿øÇÏ´Â ¼Ó¼º 618
ÄÁ¹ú·ç¼Ç(Convolution) 619
Ç®¸µ(Pooling) 619
CNNÀÇ ±¸Á¶ 620
Ãß°¡ ½ÇÇè 621
-
-
-
|
Siddha Ganju, Meher Kasam [Àú]
|
|
-
-
|
½ÉÀçâ, ÀÌ¿µÇÐ, ÀÌÁ¤È¯, Á¤À±ÁÖ [Àú]
|
|
-
-
-
Àüü 0°³ÀÇ ±¸¸ÅÈıⰡ ÀÖ½À´Ï´Ù.
|
ÀÎÅÍÆÄÅ©µµ¼´Â °í°´´ÔÀÇ ´Ü¼ø º¯½É¿¡ ÀÇÇÑ ±³È¯°ú ¹ÝÇ°¿¡ µå´Â ºñ¿ëÀº °í°´´ÔÀÌ ÁöºÒÄÉ µË´Ï´Ù.
´Ü, »óÇ°À̳ª ¼ºñ½º ÀÚüÀÇ ÇÏÀÚ·Î ÀÎÇÑ ±³È¯ ¹× ¹ÝÇ°Àº ¹«·á·Î ¹ÝÇ° µË´Ï´Ù. |
|
±³È¯ ¹× ¹ÝÇ°ÀÌ °¡´ÉÇÑ °æ¿ì |
»óÇ°À» °ø±Þ ¹ÞÀº ³¯·ÎºÎÅÍ 7ÀÏÀ̳» °¡´É
°ø±Þ¹ÞÀ¸½Å »óÇ°ÀÇ ³»¿ëÀÌ Ç¥½Ã, ±¤°í ³»¿ë°ú ´Ù¸£°Å³ª ´Ù¸£°Ô ÀÌÇàµÈ °æ¿ì¿¡´Â °ø±Þ¹ÞÀº ³¯·ÎºÎÅÍ 3°³¿ù À̳», ȤÀº ±×»ç½ÇÀ» ¾Ë°Ô µÈ ³¯ ¶Ç´Â ¾Ë ¼ö ÀÖ¾ú´ø ³¯·ÎºÎÅÍ 30ÀÏ À̳»
»óÇ°¿¡ ¾Æ¹«·± ÇÏÀÚ°¡ ¾ø´Â °æ¿ì ¼ÒºñÀÚÀÇ °í°´º¯½É¿¡ ÀÇÇÑ ±³È¯Àº »óÇ°ÀÇ Æ÷Àå»óÅ µîÀÌ ÀüÇô ¼Õ»óµÇÁö ¾ÊÀº °æ¿ì¿¡ ÇÑÇÏ¿© °¡´É |
|
±³È¯ ¹× ¹ÝÇ°ÀÌ ºÒ°¡´ÉÇÑ °æ¿ì |
±¸¸ÅÈ®Á¤ ÀÌÈÄ(¿ÀǸ¶ÄÏ»óÇ°¿¡ ÇÑÇÔ)
°í°´´ÔÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¸ê½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì
(´Ü, »óÇ°ÀÇ ³»¿ëÀ» È®ÀÎÇϱâ À§ÇÏ¿© Æ÷Àå µîÀ» ÈѼÕÇÑ °æ¿ì´Â Á¦¿Ü)
½Ã°£ÀÌ Áö³²¿¡ µû¶ó ÀçÆǸŰ¡ °ï¶õÇÒ Á¤µµ·Î ¹°Ç°ÀÇ °¡Ä¡°¡ ¶³¾îÁø °æ¿ì
Æ÷Àå °³ºÀµÇ¾î »óÇ° °¡Ä¡°¡ ÈÑ¼ÕµÈ °æ¿ì |
|
´Ù¹è¼ÛÁöÀÇ °æ¿ì ¹ÝÇ° ȯºÒ |
´Ù¹è¼ÛÁöÀÇ °æ¿ì ´Ù¸¥ Áö¿ªÀÇ ¹ÝÇ°À» µ¿½Ã¿¡ ÁøÇàÇÒ ¼ö ¾ø½À´Ï´Ù.
1°³ Áö¿ªÀÇ ¹ÝÇ°ÀÌ ¿Ï·áµÈ ÈÄ ´Ù¸¥ Áö¿ª ¹ÝÇ°À» ÁøÇàÇÒ ¼ö ÀÖÀ¸¹Ç·Î, ÀÌÁ¡ ¾çÇØÇØ Áֽñ⠹ٶø´Ï´Ù. |
|
Áß°í»óÇ°ÀÇ ±³È¯ |
Áß°í»óÇ°Àº Á¦ÇÑµÈ Àç°í ³»¿¡¼ ÆǸŰ¡ ÀÌ·ç¾îÁö¹Ç·Î, ±³È¯Àº ºÒ°¡´ÉÇÕ´Ï´Ù. |
|
¿ÀǸ¶ÄÏ »óÇ°ÀÇ È¯ºÒ |
¿ÀǸ¶ÄÏ»óÇ°¿¡ ´ëÇÑ Ã¥ÀÓÀº ¿øÄ¢ÀûÀ¸·Î ¾÷ü¿¡°Ô ÀÖÀ¸¹Ç·Î, ±³È¯/¹ÝÇ° Á¢¼ö½Ã ¹Ýµå½Ã ÆǸÅÀÚ¿Í ÇùÀÇ ÈÄ ¹ÝÇ° Á¢¼ö¸¦ ÇϼžßÇϸç, ¹ÝÇ°Á¢¼ö ¾øÀÌ ¹Ý¼ÛÇϰųª, ¿ìÆíÀ¸·Î º¸³¾ °æ¿ì »óÇ° È®ÀÎÀÌ ¾î·Á¿ö ȯºÒÀÌ ºÒ°¡´ÉÇÒ ¼ö ÀÖÀ¸´Ï À¯ÀÇÇϽñ⠹ٶø´Ï´Ù. |
|
|
|
¹è¼Û¿¹Á¤ÀÏ ¾È³» |
ÀÎÅÍÆÄÅ© µµ¼´Â ¸ðµç »óÇ°¿¡ ´ëÇØ ¹è¼Û¿Ï·á¿¹Á¤ÀÏÀ» À¥»çÀÌÆ®¿¡ Ç¥½ÃÇÏ°í ÀÖ½À´Ï´Ù.
|
<ÀÎÅÍÆÄÅ© Á÷¹è¼Û »óÇ°> |
»óÇ°Àº ¿ù~Åä¿äÀÏ ¿ÀÀü 10½Ã ÀÌÀü ÁÖ¹®ºÐ¿¡ ´ëÇÏ¿© ´çÀÏ Ãâ°í/´çÀÏ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÏ´Â »óÇ°ÀÔ´Ï´Ù. |
»óÇ°Àº ¼¿ïÁö¿ª/ÆòÀÏ ÁÖ¹®ºÐÀº ´çÀÏ Ãâ°í/ÀÍÀÏ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇϸç,
¼¿ï¿ÜÁö¿ª/ÆòÀÏ ÁÖ¹®ºÐÀÇ °æ¿ì´Â ¿ÀÈÄ 6½Ã±îÁö ÁÖ¹®ºÐ¿¡ ´ëÇÏ¿© ÀÍÀÏ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÏ´Â »óÇ°ÀÔ´Ï´Ù.
(´Ü, ¿ù¿äÀÏÀº 12½Ã±îÁö ÁÖ¹®¿¡ ÇÑÇÔ)
|
»óÇ°Àº, ÀÔ°í¿¹Á¤ÀÏ(Á¦Ç°Ãâ½ÃÀÏ)+Åùè»ç¹è¼ÛÀÏ(1ÀÏ)¿¡ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÕ´Ï´Ù. |
~
»óÇ°Àº À¯ÅëƯ¼º»ó ÀÎÅÍÆÄÅ©¿¡¼ Àç°í¸¦ º¸À¯ÇÏÁö ¾ÊÀº »óÇ°À¸·Î ÁÖ¹®ÀÏ+±âÁØÃâ°íÀÏ+Åùè»ç¹è¼ÛÀÏ(1ÀÏ)¿¡ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÕ´Ï´Ù.(Åä/°øÈÞÀÏÀº ¹è¼Û±â°£¿¡ Æ÷ÇÔµÇÁö ¾Ê½À´Ï´Ù.)
¡Ø±âÁØÃâ°íÀÏ:ÀÎÅÍÆÄÅ©°¡ »óÇ°À» ¼ö±ÞÇÏ¿© ¹°·ùâ°í¿¡¼ Æ÷Àå/Ãâ°íÇϱâ±îÁö ¼Ò¿äµÇ´Â ½Ã°£
|
|
<¾÷ü Á÷Á¢¹è¼Û/¿ÀǸ¶ÄÏ »óÇ°> |
~
»óÇ°Àº ¾÷ü°¡ ÁÖ¹®À» È®ÀÎÇÏ°í, Ãâ°íÇϱâ±îÁö °É¸®´Â ½Ã°£ÀÔ´Ï´Ù. ÁÖ¹®ÀÏ+±âÁØÃâ°íÀÏ+Åùè»ç¹è¼ÛÀÏ(2ÀÏ)¿¡ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÕ´Ï´Ù.(Åä/°øÈÞÀÏÀº ¹è¼Û±â°£¿¡ Æ÷ÇÔµÇÁö ¾Ê½À´Ï´Ù.)
¡Ø5ÀÏÀ̳» Ãâ°í°¡ ½ÃÀÛµÇÁö ¾ÊÀ»½Ã, ¿ÀǸ¶ÄÏ »óÇ°Àº ÀÚµ¿À¸·Î ÁÖ¹®ÀÌ Ãë¼ÒµÇ¸ç, °í°´´Ô²² Ç°Àýº¸»ó±ÝÀ» Áö±ÞÇØ µå¸³´Ï´Ù.
|
|
|
¹è¼Ûºñ ¾È³» |
µµ¼(Áß°íµµ¼ Æ÷ÇÔ)¸¸ ±¸¸ÅÇϽøé : ¹è¼Ûºñ 2,000¿ø (1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û) À½¹Ý/DVD¸¸ ±¸¸ÅÇϽøé : ¹è¼Ûºñ 1,500¿ø (2¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
ÀâÁö/¸¸È/±âÇÁÆ®¸¸ ±¸¸ÅÇϽøé : ¹è¼Ûºñ 2,000¿ø (2¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
µµ¼¿Í À½¹Ý/DVD¸¦ ÇÔ²² ±¸¸ÅÇϽøé : ¹è¼Ûºñ 1,500¿ø 1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
µµ¼¿Í ÀâÁö/¸¸È/±âÇÁÆ®/Áß°íÁ÷¹è¼Û»óÇ°À» ÇÔ²² ±¸¸ÅÇϽøé : 2,000¿ø (1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
¾÷üÁ÷Á¢¹è¼Û»óÇ°À» ±¸¸Å½Ã : ¾÷üº°·Î »óÀÌÇÑ ¹è¼Ûºñ Àû¿ë
* ¼¼Æ®»óÇ°ÀÇ °æ¿ì ºÎºÐÃë¼Ò ½Ã Ãß°¡ ¹è¼Ûºñ°¡ ºÎ°úµÉ ¼ö ÀÖ½À´Ï´Ù.
* ºÏÄ«Æ®¿¡¼ ¹è¼Ûºñ¾ø¾Ö±â ¹öÆ°À» Ŭ¸¯Çϼż, µ¿ÀϾ÷ü»óÇ°À» Á¶±Ý ´õ ±¸¸ÅÇϽøé, ¹è¼Ûºñ¸¦ Àý¾àÇÏ½Ç ¼ö ÀÖ½À´Ï´Ù.
|
|
Çؿܹè¼Û ¾È³» |
ÀÎÅÍÆÄÅ©µµ¼¿¡¼´Â ±¹³»¿¡¼ ÁÖ¹®ÇϽðųª ÇØ¿Ü¿¡¼ ÁÖ¹®ÇÏ¿© ÇØ¿Ü·Î ¹è¼ÛÀ» ¿øÇÏ½Ç °æ¿ì DHL°ú Ư¾àÀ¸·Î Ã¥Á¤µÈ ¿ä±ÝÇ¥¿¡
ÀÇÇØ °³ÀÎÀÌ ÀÌ¿ëÇÏ´Â °æ¿ìº¸´Ù ¹è¼Û¿ä±ÝÀ» Å©°Ô ³·Ã߸ç DHL(www.dhl.co.kr)·Î Çؿܹè¼Û ¼ºñ½º¸¦ Á¦°øÇÕ´Ï´Ù.
Çؿܹè¼ÛÀº µµ¼/CD/DVD »óÇ°¿¡ ÇÑÇØ ¼ºñ½ºÇÏ°í ÀÖÀ¸¸ç, ´Ù¸¥ »óÇ°À» ºÏÄ«Æ®¿¡ ÇÔ²² ´ãÀ¸½Ç °æ¿ì Çؿܹè¼ÛÀÌ ºÒ°¡ÇÕ´Ï´Ù.
ÇØ¿ÜÁÖ¹®¹è¼Û ¼ºñ½º´Â ÀÎÅÍÆÄÅ© µµ¼ ȸ¿ø °¡ÀÔÀ» Çϼž߸¸ ½Åû °¡´ÉÇÕ´Ï´Ù. |
|
¾Ë¾ÆµÎ¼¼¿ä!!! |
µµ¸Å»ó ¹× Á¦ÀÛ»ç »çÁ¤¿¡ µû¶ó Ç°Àý/ÀýÆÇ µîÀÇ »çÀ¯·Î Ãë¼ÒµÉ ¼ö ÀÖ½À´Ï´Ù.
¿ÀǸ¶ÄϾ÷üÀÇ ¹è¼ÛÁö¿¬½Ã ÁÖ¹®ÀÌ ÀÚµ¿À¸·Î Ãë¼ÒµÉ ¼ö ÀÖ½À´Ï´Ù.
Ãâ°í°¡´É ½Ã°£ÀÌ ¼·Î ´Ù¸¥ »óÇ°À» ÇÔ²² ÁÖ¹®ÇÒ °æ¿ì Ãâ°í°¡´É ½Ã°£ÀÌ °¡Àå ±ä ±âÁØÀ¸·Î ¹è¼ÛµË´Ï´Ù.
À¯ÅëÀÇ Æ¯¼º»ó Ãâ°í±â°£Àº ¿¹Á¤º¸´Ù ¾Õ´ç°ÜÁö°Å³ª ´ÊÃçÁú ¼ö ÀÖ½À´Ï´Ù.
Åùè»ç ¹è¼ÛÀÏÀÎ ¼¿ï ¹× ¼öµµ±ÇÀº 1~2ÀÏ, Áö¹æÀº 2~3ÀÏ, µµ¼, »ê°£, ±ººÎ´ë´Â 3ÀÏ ÀÌ»óÀÇ ½Ã°£ÀÌ ¼Ò¿äµË´Ï´Ù. |
|
|
|
|