지난 포스팅(컴퓨터가 사물을 보는 방법 1편, 2편)에서는 CNN(Convolution Neural Network)에서 사용될 수 있는 다양한 기법들과 함께 CNN의 학습이 어떤 방식으로 이루어지는지 알아보았습니다. CNN은 데이터(특히 이미지 데이터)에 합성곱, 풀링, 패딩 등의 작업을 거쳐 특징을 추출한 후 회귀 또는 분류를 수행하는 딥러닝 모델입니다. 오늘 포스팅에서는 지금까지 배운 기법들을 SAS Viya에서 구현하는 실습을
지난 포스팅에서 컴퓨터 비전의 과거와 CNN(Convolution Neural Network)의 구성 요소, 퍼셉트론, 합성곱층에 대해 알아보았습니다. 합성곱층과 함께 풀링, 활성화 함수, 드랍아웃 등 다양한 요소를 활용한다면 모델의 성능을 더욱 향상시킬 수 있습니다. 오늘 포스팅에서는 CNN에서 사용될 수 있는 다양한 기법들과 함께 CNN의 학습이 어떤 방식으로 이루어지는지 살펴보도록 하겠습니다. 1. CNN의 구성요소 <그림
컴퓨터가 인간보다 잘 하는 몇 가지 분야가 있는데, 그 중 하나가 바로 이미지 인식입니다. 2012년 알렉스넷이 개발된 이후 컴퓨터 비전 분야는 급속도로 성장하여 우리 일상에 자연스럽게 스며들었습니다. 오늘 포스팅에서는 컴퓨터가 이미지를 어떻게 인식할 수 있는지 이론을 중심으로 살펴보도록 하겠습니다. 1. 컴퓨터 비전의 과거 우리가 모니터를 통해 바라보는 이미지의 구조부터 알아보겠습니다.
성공을 위한 3가지 필수 요소 시장조사기관인 IDC는 올해, 제조 분야에서 디지털 트랜스포메이션에 가장 많은 투자가 이뤄질 것으로 전망합니다. 구체적으로 디스크리트 제조 2,250억 달러, 프로세스 제조 1,250억 달러, 총 3500달러의 투자를 예상합니다. 디지털 트랜스포메이션을 성공적으로 수행하기 위해서는 3가지 요소가 필요합니다. ▶첫째, 사람. 모든 혁신의 주체는 사람입니다. 사람의 능력, 조직구조, 문화가 상당히
지난 7월 4일 SAS코리아는 광화문 포시즌스호텔에서 국내 제조 산업 관계자를 대상으로 ‘SAS 제조 이노베이션 포럼 2019(SAS Manufacturing Innovation Forum 2019)’을 성공적으로 개최했습니다. SAS는 이번 포럼에서 미국, 독일, 일본 및 국내 제조사들의 고객 사례를 통해 ▲글로벌 B2B 업계의 예측 자산 유지보수 ▲제품 품질 및 투자 수익(ROI) 개선 ▲수요 예측을 통한 생산/판매
만약 나의 주치의가 내 디지털 트윈(Digital Twin)을 만들어 실시간으로 나의 상황을 다양한 센서 데이터 등을 통해 업데이트 받을 수 있다면 어떨까요? 현실세계의 기계나 장비, 사물 등을 컴퓨터 속 가상세계에 구현한 디지털 트윈을 통해 몸 속의 잠재적인 질병에 대한 신호를 미리 받을 수 있을지도 모릅니다. 디지털 트윈이 암 관련 질병을 미리
최근 금융, 통신, 자동차, 공공, 리테일, 교육 등 모든 산업을 관통하고 있는 한 단어가 있습니다. 바로 4차 산업혁명인데요. 빅데이터, 사물인터넷(IoT), 인공지능(머신러닝), 로봇 등 첨단 ICT 기술의 융합으로 완성되는 4차 산업혁명은 미래 산업의 필수 성장 동력으로 자리잡았습니다. 그 중에서도 특히 제조업은 이른바 ‘인더스트리 4.0’의 촉발과 함께 그 새로운 혁명의 시작을 알렸는데요.
제조 업체들은 정치, 경제, 재무, 경쟁사 등 다양한 당면 과제 속에서 비즈니스를 운영하고 있습니다. 앞으로의 제조 환경도 글로벌 경제 위기 때만큼이나 불확실해 보이는데요. 그렇지만 제조업의 성장 기회는 분명 있을 것입니다. 최근 제조 산업에는 ‘인더스트리 4.0’이라는 새로운 시대의 막이 오르고 있습니다. 새 시대에는 자동화, 대규모 데이터, 분석이 사물인터넷(IoT), 클라우드 컴퓨팅과 융합하고, 가상 및
