[MLOps] - 로컬 쿠버네티스 환경 만들어보기

로컬 쿠버네티스 로컬 쿠버네티스는 물리 머신에서 손쉽게 쿠버네티스를 테스트할 수 있는 방법이다. 한 대의 머신에 올인원으로 구성되어 이중화가 보장되지 않는 점에 주의해야 한다. 미니큐버 Minikube 미니큐브 (Minikube)는 물리머신에 로컬 쿠버네티스를 쉽게 구축하고 실행할 수 있는 도구로, 쿠버네티스의 SIG-Cluster-Lifecycle이라는 분과회에서 만들었다. 미니큐브는 단일 노드 구성이라 여러 대의 구성이 필요한 쿠버네티스 기능 등은 사용할 수 없다. 또한, 미니큐브는 로컬 가상 머신에 쿠버네티스를 설치하기 위해 하이퍼 바이저가 필요하다. 미니큐브 설치 brew install minikube 미니큐브 설치 후 버전 확인 minikube version hyperkit은 m1 맥에서 설치가..

• format_list_bulleted 카테고리 없음
• · 2023. 7. 25.

논문 리뷰 - Deep Unsupervised Learning using Nonequilibrium Thermodynamics (2015)

https://arxiv.org/abs/1503.03585 Deep Unsupervised Learning using Nonequilibrium Thermodynamics A central problem in machine learning involves modeling complex data-sets using highly flexible families of probability distributions in which learning, sampling, inference, and evaluation are still analytically or computationally tractable. Here, we devel arxiv.org 오늘 준비한 논문은 Diffusion model입니다. 이 논문..

• format_list_bulleted Data science/딥러닝 논문 리뷰
• · 2023. 7. 21.

[R] - 데이터의 표본(Sample)과 모집단(Population)의 정의 + 신뢰도 분석 , 크론바흐 알파계수(Cronbach's coefficient) 내적 일관성

통계 데이터 분석 다시 시작 !! R을 사용해서 통계에 집중한 데이터 분석 연습을 다시 해볼까 합니다 :) 표본(Sample) 및 모집단(Population) 표본 ( Sample ) 데이터 수집에 포함된 참여자의 집단을 의미한다. 모집단으로부터 추출된 관측값이나 측정값의 집합. 표본 데이터의 특성을 그대로 기술하는 기술 통계 ( descriptive statistics)의 대상 모집단 ( Population ) 우리가 궁극적으로 결론을 도출하고자하는 대상이 되는 집단입니다. 관심의 대상이 되는 모든 개체의 관측값이나 측정값의 집합. 표본 데이터의 특성으로부터 수학적 확률 이론을 토대로 그 데이터가 속해있을 것으로 예상되는 전체 모집단의 특성을 추론하는 추론 통계 ( inferential statisti..

• format_list_bulleted Data science/R programming & 통계
• · 2023. 7. 17.

논문리뷰 - Swin UNETR - Swin Transformers for Semantic Segmentation of Brain Tumors in MRI Images

2022년 Lecture Notes in Computer Science 학회에 게재된 논문입니다. NVIDIA 팀에서 개발하고 UNETR에 Swin Transformer를 적용한 모델을 제안하였습니다. 이 모델은 Brain Tumor Segmentation task에서 SOTA를 기록했습니다. Brain Tumor Segmentation은 다양한 Scanner로 뇌를 촬영한 3d input을 받아 Brain Tumor을 Segmentation하는 Task입니다. Input 그림에서도 보다시피 뇌에 대한 MRI 사진이 Flair, t1, t1ce 등 서로 다른 스캐너와 프로토콜을 통해 출력되었습니다. 이런 이미지를 Multi-Modal Image라고 표현하기 때문에 이 분야는 Multi Modal DL 이..

• format_list_bulleted 카테고리 없음
• · 2023. 7. 14.

[Basic] - 손실 함수와 최적화

하강법(Descent method)의 한계 대표적인 손실 함수 ( Loss Function )의 특징 MAE, MSE, Cross Entropy 함수는 볼록성 ( Convexity )를 지닌다. 다음은 볼록성(Convexity)을 정의하는 식입니다. 어떤 그래프에서 두 점을 잡아서 ( x1,y1 ) , ( x2,y2 ) 직선을 그엇을 때, 그 직선이 함수값보다 위에 있다면 convex라고 합니다. 아래로 볼록한 모양을 Convex라고 합니다. 위로 볼록한 모양은 Concave라고 하구요 둘 다 해당하지 않는 구불구불한 모양은 Non-convex라고 합니다. Loss function은 Convex 형태로 만드는 것이 가장 좋습니다. Non-convex에서 가장 작은 점을 global minimum이라고 하..

• format_list_bulleted Data science
• · 2023. 7. 13.

[Basic] - 확률적 경사 하강법 SGD(Stochastic Gradient Descent)

경사하강법은 지도 학습에서 Loss 값이 최소가 되게하는 조건을 만족시켜주는 식입니다. 스텝사이즈에서 Loss의 gradient를 곱한 다음에 현재 가중치에서 빼서 다음 가중치로 업데이트를 시켜줍니다. 데이터가 엄청 많다면 모델에 큰 너무 배열이 들어오게 됩니다. 배열의 크기가 크다면 연산의 속도가 느리고 하드웨어적으로 메모리가 부족한 문제가 발생할 수 있습니다. 그래서 이런 문제를 해결하기 위해 데이터 전체를 넣는 것이 아닌 mini-batch라는 이름을 가진 부분으로 쪼갭니다. 데이터를 그냥 쪼개면 순서에 영향을 미칠 수도 있으니 shuffle한 후에 나눠줍니다. 확률적 경사 하강법은 일반 경사하강법과 식이 똑같습니다. 단지 차이는 경사 하강법은 전체 데이터를 이용한다는 것이고 SGD는 일부 데이터를..

• format_list_bulleted Data science
• · 2023. 7. 13.