Blog Content

1. 객체란? 객체(Object)란 물리적으로 존재하거나 추상적으로 생각할 수 있는 것 중에서 자신의 속성을 가지고 있고 다른 것과 식별 가능한 것을 말한다. 2. 객체 간의 관계 객체는 개별적으로 사용될 수 있지만, 대부분 다른 객체와 관계를 맺고 있다. 이 관계의 종류에는 집합 관계, 사용 관계, 상속 관계가 있다. 집합 관계 : 자동차 객체 엔진 객체, 타이어 객체, 핸들 객체 사용 관계 : 객체 간의 상호작용. 사람은 자동차를 사용하므로 사람과 자동차는 사용의 관계 상속 관계 : 상위(부모) 객체를 기반으로 하위(자식) 객체를 생성하는 관계. 자동차 객체 ---> 기계 객체 3. 객체 지향 프로그래밍의 특징 - 캡슐화(Encapsulation) : 객체의 필드, 메소드를 하나로 묶고, 실제 구현 ..

1. BERT Embedding 방식의 필요성 - one-hot encoding embedding 방식 : text를 벡터로 바꿔주지만 단어간 유사도를 측정하기 어렵고, 희귀 단어, 이름, 숫자나 단어장에 없는 단어에 대한 학습에 어려움이 존재 - 이로 인해 OOV (out of vocabulary) 문제 발생 - 사전에 training 하지 않은 label이 input으로 들어올 경우 OOV 문제로 예측을 정상적으로 하지 못하는 현상 - 따라서 미등록 단어 (OOV) 문제에 대해 해결하고자 embedding 방식을 변경할 필요가 있었음. 2. BERT Embedding 방식? - 구글에서 개발한 NLP 사전 훈련 기술이며, 특정 분야에 국한된 기술이 아니라 모든 자연어 처리 분야에서 좋은 성능을 내는 ..

Generator based AI 1. Approach - tf-idf로 추출한 label값과 value의 시작 글자를 입력받아 첫 번째 글자를 예측 - 이 글자를 다시 반복해서 모델에 집어넣어 두 번째 글자를 예측 - 이 과정을 "eos"가 출력될 때까지 반복 2. Dataset - value: target value - label: mobile element의 tf-idf로 라벨링한 대표값 3. Embedding - 기존: label값에 대하여 one hot encoding 사용 - one hot의 단점: text를 숫자로 바꿔주지만 단어간 유사도를 측정하기 어려움 - 또한 미등록 단어(out of vocabulary)문제 발생 - 따라서 BERT model을 사용하기로함. 4. Classifier ..

1. Object Detection이란? Object Detection은 Image Classification task에 사물의 위치를 Bounding Box로 예측하는 Regression task가 추가된 문제! multi-labeled classification : 한 이미지에 여러 class 존재 boounding box regression : box의 좌표 값을 예측 따라서 Object Detection = Multi-labeled Classification + Bounding Box Regression 2. Sliding Window 다양한 scale의 window를 이미지의 왼쪽 위부터 오른쪽 아래까지 sliding하며 score를 계산하는 방법을 의미. 하나의 이미지에서 여러번 score를 ..

1. adb shell 실행 #adb shell 2. 설치된 패키지 검색 $pm list packages -f 특정 단어를 포함한 package 찾기 $pm list packages -f|grep "검색어" 3. apk 추출하기 ex)package:/data/app/com.example.app-1.apk=com.example.app 위 검색 결과 중 빨간색 문자만 쓴다. #adb pull /data/app/~~~~.apk downloaded.apk 4. 현재 실행중인 application name 가져오기 #adb shell dumpsys window windows | find "mCurrentFocus"