Hello World!

📝 기본 숙제Ch.04(04-2) KerasNLP 또는 허깅페이스 BERT 모델로 영화 리뷰 감성 분석 후 결과 캡처하기아래 내용 정리에서 확인하실 수 있습니다! 📘 추가 숙제Ch.04(04-2) 감성 분석에 사용된 토큰화 과정 살펴보고 입력과 출력 비교해 보기🔍 토큰화가 일어나는 코드prep_data = classifier.preprocessor(feature)🔍 토큰화 입력 : 원래 문장의 앞 100글자 출력print(feature.numpy()[:100]) 🔍 토큰화 출력 : 토큰 ID 출력print(len(prep_data['token_ids']), prep_data['token_ids'][:10])prep_data['token_ids'][-10:] 🔍 토큰화 출력 : 토큰 ID ➡️ ..

📝 기본 숙제Ch.03(03-3) 사전 훈련 모델로 피스타치오 품종 이미지 분류 실습 후 결과 캡처하기 📘 추가 숙제Ch.03(03-3) 허깅페이스 모델로 동일한 작업을 진행하고 결과 비교하기(p.183~)사전 훈련된 모델과 비교했을 때는 결과가 비슷하다. (잘 예측하지 못함)전이 학습된 모델과 비교했을 때는 전이 학습된 모델이 훨씬 더 잘 예측하는 것을 확인할 수 있다. 🗂️ 내용 정리Chap03-3 전이 학습으로 피스타치오 이미지 분류하기2. 허깅페이스로 강아지 사진 분류하기 3. 전이 학습으로 피스타치오 품종 분류하기1) 전이 학습 (transfer learning)- 사전 훈련된 신경망의 대부분은 그대로 두고 최상위 일부 층만 다시 훈련하여 새로운 문제에 적응시키는 방법 2) 사전 훈련..

📝 기본 숙제Ch.03(03-1, 03-2) MobileNet 또는 EfficientNet으로 이미지 분류하고 예측 결과 화면 캡처하기 📘 추가 숙제Ch.03(03-3) 텐서플로 허브에서 모델을 불러오는 코드와 실행 결과 설명하기import tf_keras as kerasfrom tf_keras import layersimport tensorflow_hub as hubhub_efficientb0 = keras.Sequential([ layers.Input(shape=(224, 224, 3)), layers.Rescaling(1.0 / 255.0), hub.KerasLayer("https://www.kaggle.com/models/tensorflow/efficientnet/framewo..

📝 기본 숙제Ch.02(02-2) VGGNet 또는 ResNet으로 고양이/강아지 이미지 분류하고 결과 화면 캡처하기 📘 추가 숙제Ch.02 (02-1, 02-2, 02-3) AlexNet, VGGNet, ResNet 중 하나를 골라 모델 구조를 그림 또는 표로 정리하기VGGNet을 그려보았습니다🎨 🗂️ 내용 정리Chap02-1 이미지 분류 CNN 모델 만들기1. 이미지넷 대회에서 우승한 최초의 CNN 모델 - AlexNet- 비정형 데이터 : 구조가 사전에 정의되지 않은 데이터 ➡️ 딥러닝 이용- AlexNet이미지 원본 픽셀을 그대로 사용하면서 성능면에서 뛰어남.LeNet-5 모델보다 많은 층을 사용한다.LeNet-5에서 사용한 활성화함수인 시그모이드 함수 대신 LeRu 함수를 사용한다. ➡️..

📝 기본 숙제Ch.01(01-3) LeNet으로 Fashion MNIST 분류 실습 후 예측 결과 화면 캡처하기📘 추가 숙제예측이 틀린 이미지를 골라 "왜 틀렸을까?" 추측해 보기옷의 생김새가 유사하거나 이미지 품질이 낮아서 모델이 구분할만한 특징을 제대로 학습+이용하지 못하는 경우가 있었을 것 같다. 🗂️ 내용 정리Chap01-3 패션 상품 이미지 분류하기1. LeNet 모델 만들기(1) 활성화 함수 : 시그모이드, relu (2) LeNet-5 모델 만들기 2. LeNet 모델 훈련하기(1) 위에서 만든 모델 구조 확인하기flatten 다음에 오는 세 개의 밀집층은 분류층이라고도 함. (2) 훈련 데이터 준비하기- 패션 MNIST 데이터셋 : 옷, 신발 등의 패션 아이템 이미지를 포함(3) 모델..

📝 기본 숙제Ch.01(01-1, 01-2) 구글 코랩에 텐서플로/케라스 설치하고, LeNet 모델 구조 그림으로 그려보기 📘 추가 숙제convolutional, Pooling, Dense 레이어의 기능 각각 설명하기(p.49)- 합성곱층 (convolutional layer)이미지의 작은 부분을 스캔하여 중요한 특성을 추출- 풀링층 (pooling layer)합성곱층에서 추출된 특성맵을 축소해 처리 속도를 높이고, 모델이 더 중요한 패턴에 집중하도록 만듦- 밀집층 (dense layer)이전 층에서 추출된 특성을 바탕으로 최종 결과를 도출 🗂️ 내용 정리Chap01-1 딥러닝 개발 환경 구축하기1. 코랩으로 실습 준비하기2. 텐서플로와 케라스2.1 텐서플로- 신경망 모델을 만들 수 있는 전문 ..

✏️기본 미션Ch.06(06-2) 확인 문제 1번(p.379), (07-2) 확인 문제 2번(p.407) 풀고 설명하기 ❓ Ch.06(06-2) 확인 문제 1번(p.379) 다음으로 받길 희망하는 다음 Acknowledgement number(raw)는 문제에 제시된 순서 번호에 1을 더한 값이 답이 된다.❓ Ch.07 (07-2) 확인 문제 2번(p.407) ClientHello 에 대한 응답으로 ServerHello를 응답한다. ✏️선택 미션와이어샤크에서 실제 TCP/UDP 패킷 확인해 보기\ 📜내용 정리Chap06. 실습으로 복습하는 네트워크6.1 와이어샤크 설치 및 사용법6.2 와이어샤크를 통한 프로토콜 분석1) IP 분석(1) IPv4 단편화 + ICMP - ipv4-fragmentation :..

✏️기본 미션Ch.04(04-1) 확인 문제 1번(p.206), (04-2) 확인 문제 2번(p.225) 풀고 설명하기 ❓Ch.04(04-1) 확인 문제 1번(p.206)IP는 성능을 위해 비신뢰성, 비연결성 통신 특성을 가지고 있습니다. ❓ Ch.04 (04-2) 확인 문제 2번(p.225) TCP 쓰리 웨이 핸드셰이크는 세 개의 단계로 이루어진 TCP의 연결 수립 과정으로 아래와 같습니다.SYN 세그먼트 (A ➡️ B)SYN + ACK 세그먼트 (B ➡️ A)ACK 세그먼트 (A ➡️ B) ✏️선택 미션작업 관리자에서 프로세스별 PID 확인해 보기 📜내용 정리Chap04. 전송계층4.1 전송 계층 개요 : IP의 한계와 포트1) 신뢰할 수 없는 통신과 비연결형 통신 - IP의 한계로 볼 수 있는 특징..

✏️기본 미션Ch.03(03-1) 확인 문제 1번(p.147), (03-3) 확인 문제 2번(p.187) 풀고 설명하기 Ch.03(03-1) 확인 문제 1번(p.147)- IP 주소 지정(IP addressing) : IP주소를 바탕으로 송수신 대상으로 지정하는 것 - IP 단편화(IP fragmentation) : 전송하고자 하는 패킷의 크기가 MTU보다 클 경우 패킷을 나눈다. Ch.03 (03-3) 확인 문제 2번(p.187) ✏️선택 미션본인 컴퓨터의 IP 주소와 MAC 주소 파악해 보기📜내용 정리Chap03. 네트워크 계층3.1 LAN을 넘어서는 네트워크 계층1) 데이터 링크 계층의 한계- 물리 계층과 데이터 링크 계층만으로는 타 네트워크까지의 도달 경로를 파악하기 어렵다.라우팅(routing)..

✏️기본 미션Ch.02(02-1) 확인 문제 2번(p.87), (02-3) 확인 문제 4번(p.111) 풀고 설명하기 Ch.02(02-1) 확인 문제 2번(p.87) 헤더에는 이더넷 프레임의 시작을 알리는 8바이트 크기의 정보인 프리앰블이 있습니다.헤더에는 송신지 MAC 주소가 있습니다.트레일러에는 수신한 이더넷 프레임에 오류가 있는지 확인하기 위한 필드인 FCS가 있습니다. Ch.02 (02-3) 확인 문제 4번(p.111)CS (Carrier Sense) : 캐리어 감지MA (Mutiple Access) : 다중 접근CD (Collision Detection) : 충돌 검출✏️선택 미션집에 있는 케이블에 표기된 명칭 표기를 바탕으로 케이블 구조 및 전송속도 가늠해 보기 와이파이 공유기 선의 주요 정보..