모두야

HCI Journal 순위https://scholar.google.es/citations?view_op=top_venues&hl=en&vq=eng_humancomputerinteraction Human Computer Interaction - Google Scholar Metrics8.Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies5885scholar.google.es  Publicationh5-indexh5-medianISSN1.Computer Human Interaction (CHI)129183Conferece2.Proceedings of the ACM on Human-Computer Interact..

딥러닝이 바꾼 머신러닝 접근 방식 파이토치가 딥러닝에 최적인 이유 대표 딥러닝 프로젝트 살펴보기 예제 실습에 필요한 하드웨어 사양 # 머신러닝에서는 피처 엔지니어링에 크게 의존함 피처 엔지니어링(Feature Engineering) : 새로운 데이터를 기반으로 올바른 결과물을 낼 수 있도록 입력 데이터를 변환하는 작업 -> 손글씨 숫자를 구분하기 위해선 이미지 테두리선 분포를 추정하는 필터 집합을 구성해야함 # 딥러닝은 원본 데이터로부터 자동으로 표현을 찾아냄 -> 0,1을 구분하기 위해 필터는 데이터와 대응 레이블을 반복적으로 훈련시키고 자동으로 결과가 개선됨 데이터, 딥러닝 머신, 원하는 출력 결과 훈련(training) : 기대한 값과 실제 모델 결과 출력의 차이를 점수로 제공하고 기준을 만든다. ..

IEEE의 conference나 journal에 논문을 제출하기 전에 메일을 받게 되면, 아래와 같이 IEEE Xplore 게재되기 전 PDF 호환을 확인하는 작업이 필요하며 절차에 따라 IEEE Xplore-compatible PDF file: Your finished paper must be uploaded to PDF eXpress (https://ieee-pdf-express.org) using the conference ID 000000 to generate an IEEE Xplore-compatible pdf file before submission to the above Author Submission Site. PDF eXpress에서 웹게시 적합성을 확인 받아야한다.

2.1: Use the active voice active voice (능동태) : 주어+동사+목적어 - 주어 : agent 목적어 : recipient passive voice (수동태) : 수용자+동사+행위자 - 목적어 : recipient 주어 : agent - to be ~~ could be observed. ==> We observed ~~ - PAPER METHOD : use passive voice (누가 했는지 보다 무엇을 했는지가 더 중요) 2.2: Is it really OK to use "We" and "I" - We or I 를 사용하여 객관성을 높이고, 논문에 대한 책임감을 표시한다. 2.3: Active voice practice 더보기 (Before) A recommendati..

1.1 Principles of effective writing What makes good writing? 1. 생각을 분명하고 효과적으로 전달하는 것 (Clear thinking) - 과학 글쓰기에서 과학자 및 일반 대중에게 연구 결과를 전해야함. 명확하고 효과적으로 전달. - elegant and stylish What makes a good writer? - Have something to say (어떤 의도로 말하려 했는가) - Logical thinking (논리적 사고력) - Rules of style - read a lot, write journal, let go of academic writing habits, talk about your research before writing, - ..

# DevOps 소개 DevOps란? "개발(Dev) 와 운영(Ops)의 합성어" : 개발과 운영의 경계를 허물고 통합하고자 함. - 왜 필요할까? 이전에는 개발만 하는 개발 팀, 운영을 위해 production을 올리고 배포하는 서버 팀이 따로 분리되어있었으며, 서비스 운영팀에서는 개발팀과의 소통이 필요하고 운영 중의 문제가 발생함. 개발자가 작성한 코드에 직접 수정하며 테스트하고 배포 및 운영을 하게 됨. - 소프트웨어 개발 단계 : 많은 의사소통 필요 / 병목구간 발생 설계 - 개발 - 테스트 - 배포 - 운영 - 서포트 - Full-cycle Developer ; 소프트웨어 개발 생애주기의 전체에 직접 참여하는 개발자 (넷플릭스 제시) "개발과 운영의 벽을 허물어 더 빨리 자주 배포하자!" AWS..

커널 밀도 추정 Kernel Kensity Esimation (KDE) 커널함수 (kernel function) 밀도추정 (density estimation) 밀도 추정 (Density Estimation) 데이터를 확인할 때, 어떤 변수가 가지고 있는 본질적인 특성 파악이 필요하다. 가지고 있는 데이터들의 분포로부터 해당 변수 분포 특성을 추정 하는 것이 밀도 추정이다. 파악하려는 변수가 어떤 값의 분포 특성을 갖는지 파악할 수 있다. 변수가 가질 수 있는 값 및 그 값을 가질 가능성의 정도를 추정하는 것이 밀도 추정이다. (수학적) 밀도 = mass/volume (통계적) 밀도 = 확률 밀도 함수 (probability density function) 변수 X의 확률밀도함수 f(X) 그림 f(a)는 ..

NLR이란? : 호중구 대 림프구 비율 -> 종양 기실, 염증 및 전반적인 예후 상태를 반영한다. NLR = Npercent/Lpercent PLR이란? : 혈소판 값을 절대 림프구 수로 나눈 값 => NLR와 PLR이 낮은 것이 좋다. 림프구 수치는 높으면서, 호중구 수치와 혈소판 수치는 높지 않은 것이 좋다. PLR = plt/(Lpercent*WBC*10) RFE란? Recursive feature elimination 으로, 학습에 필요한 적절한 feature를 선택하는 feature selection 과정 중의 한 방법이다. 모든 feature들로부터, feature를 하나 하나 제거하면서 원하는 갯수의 feature가 남을 때까지 반복하는 것이다. 1. 학습하고 싶은 모델을 정한 후, 해당 모..