LogLog
기술 글, TIL, 생각 기록Tech notes, TILs and essays
카테고리Categories
전체All
데이터 과학을 위한 통계(4)Practical Statistics for Data Scientists (4)
「데이터 과학을 위한 통계」 정리 4편 — 신뢰구간, 정규분포와 z 점수, QQ 그림, 긴 꼬리 분포, 스튜던트의 t 분포.Notes on Practical Statistics for Data Scientists, part 4: confidence intervals, the normal distribution and z-scores, QQ plots, long-tailed distributions and Student's t-distribution.
개·고양이 얼굴 탐지: SSDLite320과 YOLOv8n을 같은 조건에서 비교하기Cat and Dog Face Detection: Comparing SSDLite320 and YOLOv8n Under the Same Conditions
Oxford-IIIT Pet 얼굴 박스로 SSDLite320과 YOLOv8n을 학습 조건을 맞춰 비교했다. 차이는 mAP@0.5가 아니라 높은 IoU의 박스 정밀도와 추론 속도에서 났다.Comparing SSDLite320 and YOLOv8n on Oxford-IIIT Pet face boxes with matched training conditions. The gap was not in mAP@0.5 but in box precision at high IoU, and in inference speed.
축구 경기 Semantic Segmentation에서 클래스 불균형 다루기 (U-Net++)Handling Class Imbalance in Soccer Semantic Segmentation (U-Net++)
공처럼 작은 클래스가 fold마다 IoU 0으로 무너진 원인을 시드 실험으로 좁히고, CE + Dice + 클래스 가중치로 해결한 실험 기록.Why tiny classes like the ball scored IoU 0 in some folds, how a seed experiment pinned the cause on unstable training, and how CE + Dice + class weights fixed it.
자율주행 차량은 어떻게 주변 장면을 이해할까요?How Do Self-Driving Cars Understand the Scene Around Them?
Semantic·Instance·Panoptic Segmentation이 각각 무엇에 답하는지, Panoptic이 둘을 어떻게 합치는지, Mask2Former 예제로 정리한다.Semantic, instance and panoptic segmentation compared — what each one answers, how panoptic combines them, and a Mask2Former example.
데이터 과학을 위한 통계(3)Practical Statistics for Data Scientists (3)
「데이터 과학을 위한 통계」 정리 3편 — 표본추출과 편향, 표본분포, 중심극한정리, 표준오차, 부트스트랩.Notes on Practical Statistics for Data Scientists, part 3: sampling and bias, sampling distributions, the central limit theorem, standard error and the bootstrap.
SSD300과 YOLOSSD300 and YOLO
SSD300과 YOLOv1을 격자와 박스라는 두 축으로 비교하고, YOLO가 v1부터 YOLO26까지 이전 버전의 약점을 어떻게 고쳐왔는지 따라간다.Comparing SSD300 and YOLOv1 on two axes — grids and boxes — and following how each YOLO version from v1 to YOLO26 fixed the previous one's weakness.
데이터 과학을 위한 통계(2)Practical Statistics for Data Scientists (2)
「데이터 과학을 위한 통계」 정리 2편 — 데이터 분포 탐색, 범주 데이터, 상관관계, 다변량 시각화를 Iris와 seaborn으로.Notes on Practical Statistics for Data Scientists, part 2: exploring distributions, categorical data, correlation and multivariate plots — with seaborn on Iris.
ResNet (Residual Network)ResNet (Residual Network)
깊을수록 오히려 학습이 안 되는 Degradation 문제를, 차이만 배우는 Residual Block과 Skip Connection으로 푼 ResNet 정리.Why deeper plain networks got worse (the degradation problem) and how ResNet fixed it by learning only the residual with skip connections.
GoogLeNet (Inception v1)GoogLeNet (Inception v1)
Inception 모듈과 1×1 병목, GAP, 보조 분류기로 깊이는 늘리고 비용은 줄인 GoogLeNet 정리.GoogLeNet went deeper while cutting cost with Inception modules, 1×1 bottlenecks, global average pooling and auxiliary classifiers.
VGGNetVGGNet
3×3 합성곱만 깊게 쌓아 "깊이가 성능을 좌우하는가"에 답한 VGGNet의 아이디어, 한계, PyTorch 활용법.VGGNet answered "does depth matter?" by stacking only 3×3 convolutions — the idea, its limits, and how it is used today in PyTorch.
AlexNetAlexNet
ReLU·GPU·Dropout·데이터 증강으로 거대한 CNN을 실제로 학습시킨 AlexNet 정리와 PyTorch 코드.How AlexNet made a large CNN trainable in practice with ReLU, GPUs, dropout and data augmentation, plus PyTorch code.
데이터 과학을 위한 통계(1)Practical Statistics for Data Scientists (1)
「데이터 과학을 위한 통계」 정리 1편 — 정형 데이터의 종류, 테이블 데이터, 위치 추정과 변이 추정.Notes on Practical Statistics for Data Scientists, part 1: types of structured data, tabular data, and estimates of location and variability.
제약이 능력을 만든다: PyTorch로 이해하는 AE, DAE, VAEConstraints Create Capability: Understanding AE, DAE and VAE with PyTorch
입력을 그대로 출력하는 걸 왜 학습할까? 병목·손상된 입력·확률분포라는 제약에 따라 AE, DAE, VAE가 무엇을 배우는지 MNIST로 실험한다.Why train a model to output its own input? Bottlenecks, corrupted inputs and probability distributions on MNIST — what AE, DAE and VAE each learn.
Optimizer는 무엇을 보완해 왔는가?What Has Each Optimizer Been Fixing?
Gradient Descent부터 Momentum, AdaGrad, RMSProp, Adadelta, Adam까지 — 각 Optimizer가 어떤 상태값을 저장하는지를 축으로 PyTorch로 직접 구현해 본다.From plain gradient descent to Momentum, AdaGrad, RMSProp, Adadelta and Adam — implemented by hand in PyTorch, framed by what state each one stores.
Random Forest와 Extra TreesRandom Forest and Extra Trees
Bagging 뒤에도 남는 Tree 간 오류 상관을 Random Forest(Feature 무작위화)와 Extra Trees(Threshold 무작위화)가 각각 어떻게 다루는지 비교한다.The tree-to-tree error correlation that bagging leaves behind, and how Random Forest (random features) and Extra Trees (random thresholds) tackle it.
Decision Tree, Bagging과 OOBDecision Tree, Bagging and OOB
Decision Tree가 흔들리는 이유, Bagging이 Bootstrap과 Aggregation으로 그 흔들림을 안정성으로 바꾸는 방식, OOB가 실제로 추정하는 것.Why decision trees are unstable, how bagging turns that instability into stability with bootstrap and aggregation, and what OOB really estimates.