분류 전체보기 (9) 썸네일형 리스트형 Rigid Body Motion - Transformation Matrix (변환 행렬) 강체를 표현할 때 방향과 위치를 한번에 표현하는 방법으로는 Homogeneous Transformation Matrices : T를 사용한다 변환 행렬은 다음과 같은 성질을 가짐 사용 방법 -> 위치와 방향 표현, reference frame 변경, 틀의 벡터 대체 위치와 방향 표현 (1) {s}에 대한 {b}의 위상 표현 T_sb inverse 하면 반대로 표현 가능 reference frame 변경 (2) T_ab와 T_bc의 곱으로 T_ac 표현 가능 -> reference frame 변경 틀의 벡터 대체 (3) Rigid Body Motion - Exponential Coordinate of Rotation 다른 틀로부터 틀의 상대적인 방향을 표현하기 위해 다음과 같은 3-벡터 사용 이러한 표현 방법을 Exponential Coordinate for Rotations 라고 하며, 이는 회전 행렬을 표현하는 또다른 방법 이때, w는 각속도로써 이를 적분하면 초기 orientation으로부터 최종 orientation을 찾아낼 수 있음 w를 적분하기 위해서는 선형 미분 방적식을 풀어야 함 (Linear Differential Equations Problem) a가 스칼라가 아닌 벡터 A로 표현될 수도 있는데, 이때의 e^At 를 matrix exponential 이라고 함 지수 함수는 다음과 같이 series expension 방법으로 표현할 수도 있음 행렬 지수는 rigid body의 rotation을 구하는.. Rigid Body Motion - Rotation Matrix 기준틀 -> reference frame -> {s} rigid body의 frame -> {b} s로 부터 b의 위치와 방향만 알아내면, body의 배치(configuration)을 알 수 있음 s에서, 단위 벡터 사용하여 b의 원점 p 표현 가능 그리고 b의 방향에 대해서도 생각해볼 수 있음 b의 방향은 b의 단위 벡터로 표현 가능 s에 대한 b의 단위 벡터는 다음과 같이 표현 3차원 공간에서 body frame의 위치와 방향을 다루기 위해서는 회전 행렬 사용 Special Orthogonal Group -> 회전 행렬의 group SO(3)로 간단하게 표현하는 3x3 행렬 아래 두 조건을 만족 주요 4 성질 사용 용도: 방향 표현, 기준틀 변경, 틀의 벡터회전 표현 서로 다른 방향(orientati.. Configuration Space (배위공간) 로봇의 구성요소 -> 링크, 조인트, 액추에이터, 앤드-이펙터 각각 l, j, act, e-f Degrees of Freedom -> 자유도 -> C-space의 차원 -> 로봇의 배위를 표현하는 좌표의 최소 개수 C-space -> 로봇의 모든 배위 공간 (n차원 공간) 로봇의 DoF = sum(바디 자유도) - num(독립적 const) 로봇은 일반적으로 rigid body, 보통 xyz 3선형좌표와 roll pitch yaw 3각도 -> 6 dof 가짐 로봇의 조인트는 아래와 같음 R P H -> 1 dof C U -> 2 dof S -> 3 dof dof 구하는 방법으로는 Gublers Formula 사용 N 링크의 개수 J 조인트의 개수 m -> rigid body의 dof 수 (공간->6, 평.. 9장 심층신경망: 선형 회귀로 풀 수 없는 문제 해결, 여러 선형 계층 사이에 비선형 함수를 끼워넣는 구조 학습: 선형 회귀와 마찬가지로 여러 계층의 파라미터들로 손실 함수를 미분하여 경사하강 역전파: 체인 룰을 통해 구현 -> 심층신경망을 학습 그래디언트 소실: 신경망이 너무 깊어지면 입력층에 가까운 가중치들이 잘 업데이트되지 않는 문제 시그모이드, 탄에이치의 미분값이 거의 무조건 1보다 작기 때문에 발생 렐루 함수를 통해 해결 그러나 렐루의 입력이 0이 되는 상황에서 렐루 뒤의 가중치의 학습이 어려운 문제 발생 리키렐루: 음수 구간에서 0이 아닌 기울기를 가짐 -> 렐루 함수 문제 해결 실습 절차: 1) import, data 불러오기 2) 추가로 데이터 분포의 특징을 고려하여 scaler 과정을 거쳐야 .. 8장 로지스틱 회귀: 데이터가 어떤 범주에 속할 확률을 구하고, 그 확률에 따라 데이터를 분류하여 예측 활성 함수: 시그모이드, 탄에이치 등 구조: 선형 계층 함수 직후에 시그모이드 함수를 넣어주면 확률 도출 학습: y와 y_hat 비교하여 손실 값 계산 -> 손실 함수는 이진 크로스엔트로피 사용 실습: 데이터: 30개의 속성을 가진 환자 데이터 -> 유방암 여부가 class라는 속성에 저장되어 있음 페어플롯 통해 적절해 보이는 속성 추철 epoch, rate, interval 설정 model 클래스 따로 설정 -> dimension을 상속받게 하고, linear를 수행하여 리턴하도록 함 만들어진 클래스 이용하여 model 생성 BCE 손실 함수 정의 학습 진행 결과 확인 7장 선형 회귀: 실수 벡터 입력이 주어졌을 때 선형적 관계를 지닌 출력 실수 벡터 값을 예측 input -> N n w -> n m output -> N m 학습: 손실 값을 가중치 파라미터로 미분하면서 손실 값을 낮춤 가중치가 수렴할 때까지 반복 손실 함수는 주로 MSE 사용 수학적 접근: 가중치를 업뎃하는 것은 W, b로 각각 손실 함수를 편미분 한 후 경사하강법을 수행하는 것과 동일 실습: (506, 14) shape를 가진 데이터를 가지고 타깃 예측 데이터 형식: 506개의 샘플, 각 샘플은 14개의 속성을 가지는데 이 중 하나는 타깃값임 절차: sns.pairplot 통해서 EDA -> 유효해 보이는 속성들만을 추려냄 epoch, learning_rate, print_interval 설정 model.. Chapter 1, 2 1. 기본 개념 지도학습: 샘플에 대응하는 타깃의 정답을 제공하는 방식 샘플: 예측에 사용하는 아이템 (입력, x) 타깃: 샘플에 상응하는 레이블 (정답, y) 모델: 샘플 x를 받아 타깃을 예측하는 함수 파라미터: 모델을 규정 (가중치, w) 예측: 모델이 추측하는 타깃 (y hat) 손실함수: y hat과 y의 차이, 모델의 평가 척도 (L) 2. 경사 하강법 확률적 경사 하강법: 초깃값을 랜덤하게 선택하여 그레디언트 계산, 후에 반복적으로 업데이트(역전파) 정방향 계산: 현재 파라미터 값으로 입력을 평가 -> 손실 함수 계산 역방향 계산: 손실의 그레디언트를 사용 -> 파라미터 업데이트 3. 입력과 타깃을 표현하는 방법 수치 벡터를 사용 원-핫 표현: 0 벡터에서 시작해 사용 단어에 상응하는 원소를.. 이전 1 2 다음
