스터디를 진행하면서 만들었던 PPT 자료

PDF로 올리지 않는 이유는, PT 하단 설명란에 있는 추가 설명 때문입니다.

1. Promotion Impact :

이벤트, 프로모션 진행 시 효과를 측정 할 수 있는 방법 및 패키지

2. 유전알고리즘 - GA

가장 기억에 남는 알고리즘.

• 장점: 복잡한 계산없이 최적해 구하기 가능
  
• 단점: Obj Function을 잘 정의해야 한다.

3. LIME

선형선을 띄는 다른 모델을 이용해 복잡한 ML 모델 해석
-장점: 제대로 된 모델 해석의 시초
-단점: 비 선형적인 해석을 불가하다. SHAP와 비교시 한계점이 보인다.
LIME 쥬피터

4. SHAP

직접 PPT는 작성하지 않았다
스터디원이 소개해준 논문으로 모델 해석의 끝판왕이라 생각한다.

• 장점: 빠른 모델 해석과 클래스별 변수 중요도 파악가능
  
• 단점: 모델 해석이지 데이터 해석은 아니다.
  binary_class 쥬피터 노트북
  multiple_class 쥬피터 노트북

5. Staking

포스트로 만들었지만, PPT도 내용 추가.

• 장점: 모델의 성능을 한층 올릴 수 있다.
• 단점: 엄청난 연산량에 비해 오르는 수치는 미비하다. 오롯이 성능을 위해서라면 해볼만하다

6.PRML - 패턴인식 머신러닝

비숍이 지은 책으로 베이지안에 대해 설명한다.
18년도 하반기 스터디를 진행하면서 작성한 PPT 와 R코드 첨부
2.3 PDF & 2.3 R코드
3.3 PDF & 3.3 R코드

---

---

딥러닝

1. InfoGAN

처음으로 정보이론을 알게 해준 GAN

• 장점: 정보(information)관점에서 GAN의 모습을 볼 수 있고
  & 조건부 GAN이 아니지만 변화하는 이미지 생성 가능
  
• 단점: 변화를 컨트롤 할 수 없다.
  
  

2. BEGAN

2017년 8월, 알고 있는 GAN중 mode collapse에 대해 고민한 모델

• 장점: mode collapse가 일어나는 일정 비율을 측정 할 수 있었다.
• 단점: 어려운 수식
  
  BEGAN을 이용해도 mode collapse가 일어난 모습 (ioi 멤버 얼굴 모음)

3. InstaGAN:

CycleGAN을 읽었을 때, 꽤 좋은 성능이라고 느꼈는데 그보다 발전한 논문

• 장점: unfair Data를 효과적으로 활용
  
• 단점: mask 데이터가 필요
  

4. How Dese Batch Norm Help Optimization:

BN(배치)는 ICS(내부 공변량)를 줄여주는 역할이라고 알려져 있었지만,
실험과 수식을 한 검증을 통해 다른 효과가 있다고 밝힘
주된 요인은 Loss landscape를 립시츠화 시켜 학습에 도움이 되게 함.

5.SELU

PPT가 아닌 주피터 노트북 형식으로 내용을 준비했다.
2번에 정리한 How Dose BN을 보기전 읽었던 논문이다.
BN을 사용하지 않아도 activation function으로 BN효과를 내주는 SELU 다.

• 장점: BN을 굳이 안써도 된다.
  
• 단점: 효과가 드라마틱 하게 나타나지 않는다.
  오히려 마음의 안심을 얻고 싶다면 BN을 쓰는 것을 추천