본문 바로가기
반응형

딥러닝 with Python131

[머신러닝 with Python] Prophet 모델 구현하기(시계열 예측) / Peyton Manning 웹 트래픽 데이터 활용 / [Google 코랩] 이번에는 지난 포스팅에 이어서 Prophet 모델에 대해서 알아보겠습니다. 지난번 포스팅에서는 주로 Prophet 모델과 라이브러리에 대해서 개념적으로 알아보았는데요[머신러닝 with Python] Prophet 모델 알아보기(시계열 예측) [머신러닝 with Python] Prophet 모델 알아보기(시계열 예측)이번에는 시계열 예측(Time Series Forecasting) 모델 중 라이브러리 형태로 쉽게 구현 가능하면서도 효과적인 Prophet  모델에 대해서 알아보겠습니다. Prophet은 (구) Facebook ( 현: Meta) 에서 만든 시계열jaylala.tistory.com  이번에는 실제 데이터를 활용해서 모델을 구현해보도록 하겠습니다. 1. Peyton Manning 웹 트래픽 데이.. 2025. 3. 2.
[Deep Learning with Python] 그래프 신경망(GNN)과 기존 신경망의 차이 - 이번 포스팅에서는 그래프 신경망과 기존 신경망의 차이점에 대해서 다뤄보고자 합니다. - GNN(Graph Neural Network)을 배우면서 왜 굳이 이런 방법을 사용해야할까? 라는 의구심이 드실수도 있으실 것 같은데요. 이에 대한 내용을 다루는 포스팅이 되겠습니다. 1. 그래프 신경망(GNN)과 기존 신경망의 차이- GNN은 기존 신경망(MLP, CNN, RNN, Transformer 등)이 처리하기 어려운 비유클리디안(Non-Euclidean) 데이터를 학습할 수 있도록 설계된 모델입니다. - 일반적인 신경망은 Euclidean 공간에서 샘플 간의 거리 또는 유사도를 기반으로 학습을 진행하지만, GNN은 노드(Node)와 엣지(Edge)로 표현되는 그래프 구조를 학습하여 이를 통해 연결성과 관.. 2025. 3. 2.
[딥러닝 with Python]Vision-Language Models(VLM)와 Data Curation의 중요성 - Vision-Language Models(VLM)은 이미지와 텍스트를 동시에 이해하고 처리하는 모델로, 대표적으로 Flamingo [Alayrac et al., 2022], MM1 [McKinzie et al., 2024] 등이 있습니다.  - 이러한 모델들이 높은 성능을 보이기 위해서는 고품질의 멀티모달 데이터가 필수적이며, 이를 보장하기 위해서는 체계적인 Data Curation(데이터 정제 및 선별 과정)이 필요합니다.- 이때, Data Curation은 단순한 데이터 수집을 넘어, 노이즈 제거, 데이터 정리, 라벨링 및 품질 평가 등의 과정을 포함합니다. 특히, VLM에서는 텍스트와 이미지의 **연계성(Alignment)**을 유지하면서, 학습에 적절한 데이터를 구축하는 것이 핵심 과제입니다... 2025. 3. 1.
Contrastive Learning 기초 : EBM, NCE, InfoNCE 이번에 알아볼 것은 Contrastive Learning에서 핵심 개념인  EBM(Energy Based Model), NCE(Noise Contrastive Estimation), 그리고 InfoNCE의 개념에 대해서 자세히 알아보고 이를 정리해보도록 하겠습니다. 1.  EBM(Energy Based Model), NCE(Noise Contrastive Estimation), 그리고 InfoNCE 1) EBM(Energy Based Model) - 에너지 기반 모델(EBM)은 확률론적 프레임워크를 제공하며, 에너지 함수 를 이용해 실제 데이터에는 낮은 에너지를 할당하고 비실제 데이터에는 높은 에너지를 할당합니다- 이때 에너지를 정의하기 위해 볼츠만 분포(Boltzmann Distribution)을 활용.. 2025. 2. 28.
반응형

티스토리툴바