[AutoEncoder]
오토인코더는 Machine Learning 클래스의 day7에서 배운 차원축소 방법 중 하나인 PCA 와 비슷한 역할을 합니다. 주어진 데이터를 모델이 학습해서 데이터마다 중요한 특징만을 학습하여, 고차원의 데이터를 다루기 쉽게 저차원의 데이터로 바꿔주는 것입니다. 또한 차원을 축소한 후에 원래 차원으로 되돌리면 축소하기 이전의 본래 데이터와 같은 데이터를reconstruction 할 수 있습니다.
AutoEncoder 를 이용하면 우리가 가지고 있는 data 들이 가지고 있는 중요한 액기스 부분만을 남길 수 있기 때문에 데이터의 특징을 잃어버리지 않고 분석을 할 수 있게 됩니다.
Variational AutoEncoder 는 variational principle (변분 원리) 를 이용해서 generation 쪽에 좀 더 특화된 모델인데요, 데이터의 분포 (distribution) 을 학습하여 새롭게 생성하는 데이터가 기존 데이터의 분포를 따를 수 있게끔 학습시켜 주는 모델입니다. 바로 다음 class 에서 배울 GAN 과 비슷하게 Deep learning 에서 generation model 로 가장 많이 쓰이고 있는 모델이지요.
실습시간때는 AutoEncoder 와 Variational AutoEncoder 를 이용해서 비교적 간단한 손글씨 데이터인 MNIST 데이터와 Fashion MNIST data 를 reconstruction 하는 시간을 가졌습니다. 또한 각 AutoEncoder 들의 layer 들을 다르게 구성해서 같은 그림이라도 어떻게 재구성을 하는지 확인하였습니다.
[AutoEncoder]
오토인코더는 Machine Learning 클래스의 day7에서 배운 차원축소 방법 중 하나인 PCA 와 비슷한 역할을 합니다. 주어진 데이터를 모델이 학습해서 데이터마다 중요한 특징만을 학습하여, 고차원의 데이터를 다루기 쉽게 저차원의 데이터로 바꿔주는 것입니다. 또한 차원을 축소한 후에 원래 차원으로 되돌리면 축소하기 이전의 본래 데이터와 같은 데이터를reconstruction 할 수 있습니다.
AutoEncoder 를 이용하면 우리가 가지고 있는 data 들이 가지고 있는 중요한 액기스 부분만을 남길 수 있기 때문에 데이터의 특징을 잃어버리지 않고 분석을 할 수 있게 됩니다.
Variational AutoEncoder 는 variational principle (변분 원리) 를 이용해서 generation 쪽에 좀 더 특화된 모델인데요, 데이터의 분포 (distribution) 을 학습하여 새롭게 생성하는 데이터가 기존 데이터의 분포를 따를 수 있게끔 학습시켜 주는 모델입니다. 바로 다음 class 에서 배울 GAN 과 비슷하게 Deep learning 에서 generation model 로 가장 많이 쓰이고 있는 모델이지요.
실습시간때는 AutoEncoder 와 Variational AutoEncoder 를 이용해서 비교적 간단한 손글씨 데이터인 MNIST 데이터와 Fashion MNIST data 를 reconstruction 하는 시간을 가졌습니다. 또한 각 AutoEncoder 들의 layer 들을 다르게 구성해서 같은 그림이라도 어떻게 재구성을 하는지 확인하였습니다.