Blog

1. 서버에서 pip install kaggle 2. 캐글 홈페이지의 account에서 토큰을 받는다. (kaggle.json으로 돼있음) 3. 토큰을 /.kaggle에 넣어준다. 4. 캐글에서 다운로드 옆에 있는 점3개 누르고 Copy API Command를 복사해준다. 5. 서버에서 뚝딱

1. 파이참 키고 2. Preference 들어가서 3. Project interpreter 옆에 톱니바퀴 클릭하고 Add 4. SSH Interpreter 클릭 5. Host, Username, Port 입력 6. 인터프리터 찾아서 설정해주면 끝 6-1. 서버에서 미리 만들어둔 가상환경 내의 bin 폴더에 있는 python3 찾아주자.

사파리를 켠 상태에서 1. 좌측 상단 Safari 클릭 2. 환경설정 3. 암호 에 들어가면 키체인 등록한 사이트와 그 사이트에서 설정한 비밀번호를 보여준다.

$ git config --global user.email "email_id" $ git config --global user.name "user_name" 다음을 추가해주면 된다.

Search What You Want: Barrier Panelty NAS for Mixed Precision Quantization Generative Low-bitwidth Data Free Quantization Finding Non-Uniform Quantization Schemes using Multi-Task Gaussian Process Post-Training Piecewise Linear Quantization for Deep Neural Networks Task-Aware Quantization Network for JPEG Image Compresssion HMQ: Hardware Friendly Mixed Precision Quantization Block for CNNs Deep ..

EagleEye: Fast Sub-network Evaluation for Efficient Neural Network Pruning (oral) DAS: More Efficient Budgeted Pruning via Differentiable Sparsity Allocation DHP: Differentiable Meta Pruning via HyperNetworks Meta-Learning with Network Pruning DN-NAS: Data Adapted Pruning for Efficient Neural Architecture Search Differentiable Joint Pruning and Quantization for Hardware Efficiency Accelerating C..

- 베이지안과 빈도주의의 차이에 대해 정리했습니다. - 나이브 베이즈예시인 스팸 필터링에 대해 정리했습니다. - MAP Estimation, MAP Rule과 이에 대한 예시에 대해 정리했습니다. - Bayesian LMS Estimation에 대해 정리했습니다. 1) MAP보다는 LMS가 성능이 낫다. MAP는 posterior가 최댓값이 되는 한 점에서의 정보를 이용. LMS는 기댓값을 통해 posterior 전체 정보를 이용. (fully-bayesian) - LMS의 한계점에 대해 정리했습니다. 1) Posterior의 pdf를 구하기 어렵다. (Evidence) 2) pdf를 구해도 expectation을 계산하기 어렵다. (적분이 intractable) => 차선으로 observation의 선..

1) Causal Discovery 하자. 2) Self-supervised learning 하자. Energy-based model하자. 3) Meta learning하자.

투표방식 1) 각 주마다 투표해서 승자독식으로 선거인단 뽑는다. 2) 뽑힌 선거인단이 대통령을 뽑는다. 특징 1) 각 주마다 선가인단의 수가 다르다. 2) 뽑힌 선거인단은 배신 투표를 할 수 있다. ex) 공화당 선거인단으로 뽑힌 사람이 민주당 사람에 투표할 수 있다. - 역사적으로 배신 투표를 한 선거인단이 있다. 하지만 결과가 뒤집힌 적은 없다.

응용수학특강 수업의 과제로 풀었던 비숍의 책 PRML의 연습문제 풀이입니다. 비숍 문제풀이1에는 연습문제 1.1, 1.3, 1.6, 1.7, 1.8, 1.10 비숍 문제풀이2에는 연습문제 1.29, 1.30, 1.31, 1.32, 1.39, 1.40, 1.41 에 대한 풀이가 있습니다.