Skip to content

Instantly share code, notes, and snippets.

Avatar

Kim Jeong Ju haje01

View GitHub Profile
@haje01
haje01 / rl_roboschool_ray_distributed_simple.ipynb
Last active May 11, 2019
SageMaker RL에서 Ray로 Roboschool Reacher 풀이
View rl_roboschool_ray_distributed_simple.ipynb
Loading
Sorry, something went wrong. Reload?
Sorry, we cannot display this file.
Sorry, this file is invalid so it cannot be displayed.
@haje01
haje01 / sample.py
Last active Mar 8, 2018
Pandas 예제
View sample.py
def do_group(gdf):
"""각 그룹별 처리."""
# 대상 그룹이 아니면 그대로
if gdf.group.iloc[0] not in groups_need_change:
return gdf
# value가 없는 인덱스
nidx = gdf.value.isna()
# value가 있는 인덱스
pidx = ~nidx
View 소프트웨어 2.0.md

이 글은 안드레이 카패시의 글 소프트웨어 2.0 을 번역한 것입니다. 의/오역이 있을 수 있습니다.


소프트웨어 2.0

나는 때때로 사람들이 뉴럴넷을 "기계학습 도구 상자의 또 다른 도구"로 언급하는 것을 본다. 뉴럴넷은 장단점이 있다. 여기 저기에서 동작하고, 때로는 캐글 경쟁에서 승리하는데 사용할 수도 있다. 그러나 이 해석은 완전히 나무만 보고 숲을 보지 못하는 것이다. 뉴럴넷은 단지 또 다른 종류의 분류기가 아니다. 그것은 우리가 소프트웨어를 작성하는데 있어 근본적인 변화의 시작을 나타낸다. 그것은 소프트웨어 2.0이다.

소프트웨어 1.0의 "고전적인 스택"은 우리가 익숙한 것이다. 그것은 Python, C++ 등의 언어로 작성이 되어 있고, 프로그래머가 작성한 구체적 명령으로 구성되어 있다. 프로그래머는 코드의 각 라인을 작성하는 것으로 프로그램 공간의 특정 포인트를 어떤 원하는 행동으로 확정짓고 있다.

@haje01
haje01 / tictactoe.py
Last active Mar 15, 2017
Tictactoe RL Tutorial
View tictactoe.py
import time
import random
import pytest
import numpy as np
EPS = 0.1
ALPHA = 0.1
MAX_EPISODE = 100000
@haje01
haje01 / README.md
Last active Jun 16, 2017
Distributed TensorFlow
View README.md

분산 텐서플로우

이 글을 작성하는 시점(2017-01-11)에서 분산 텐서플로우의 관련 자료 부족으로 확실히 분산 학습이 되는지 확인이 되지 않았습니다. 안타깝지만 본 내용은 참고만 하시기 바랍니다.

원문 [https://www.tensorflow.org/how_tos/distributed/] (https://www.tensorflow.org/how_tos/distributed/)

개념 설명

  • 클러스터는 텐서플로우 그래프의 분산 수행에 참여하는 테스크들의 집합
@haje01
haje01 / DeepMind Lab 설치.md
Last active Dec 7, 2017
DeepMind Lab 설치
View DeepMind Lab 설치.md

DeepMind Lab 설치

호스트가 Linux가 아닌 경우 VM 셋팅

  1. VirtualBox 설치
  2. Ubuntu 개발자용 Desktop 받기 https://www.ubuntu.com/download/desktop
  3. VirtualBox에서 가상머신을 만들고 시작
  4. 받아둔 Ubuntu .ISO를 지정

설치

@haje01
haje01 / 대화형 챗봇 설계의 과제.md
Last active Nov 8, 2021
대화형 챗봇 설계의 과제
View 대화형 챗봇 설계의 과제.md

최근 인공지능을 활용한 챗봇에 대한 관심이 높아지고 있습니다. 챗봇 설계에 관한 좋은 글이 있어 번역을 해보았습니다. 이 글은 IBM DeveloperWorks에 기재된 Michael Yuan의 글을 번역한 것으로 의역이 있습니다. - 김정주(haje01@gmail.com)


대화형 챗봇 설계의 과제

사용자는 챗봇이 매우 간단하고 최소한의 요구만 하기에 좋아합니다. 그것은 대화식 문자 메시지처럼 간단해질 수 있습니다. 또한, 사용자는 자신이 선호하는 메시지 앱에 계속 머물기를 선호합니다. 앱, 웹 URL, 메뉴, 버튼, 광고, 크롬 및 기타 요소를 탐색하지 않고 바로 목표를 달성하고자 합니다. 그러나 이 단순성은 큰 설계 과제도 제시합니다. 챗봇은 사용자의 말을 정확하게 이해하고 적절히 행동해야 합니다. 이것은 오늘날 최고의 자연어 AI (인공 지능)에게도 매우 어려운 과제입니다.

현재 상태의 AI에서는, 대화식 문자 메시지 또는 대화식(Conversational) UI, 즉 CUI는 (안타깝게도) 거의 항상 잘 설계된 그래픽 UI(GUI)보다 열등합니다. GUI와 비교하여 CUI는 초기 단계에 있습니다. 커뮤니티로서 우리는 여전히 CUI의 디자인 패턴과 우수 사례를 모색하고 있습니다. 이 튜토리얼에서는 챗봇이 왜 실패하고 성공할 수 있는지 설명합니다.

View Kinesis로 App 로그 다루기.md

Kinesis로 App 로그 다루기

글쓴이: 김정주(haje01@gmail.com)

이 글은 AWS 블로그를 참고하고 추가/보완하여 작성되었습니다.


Kinesis는 아마존 웹서비스(AWS)에서 제공하는 실시간 데이터 처리기이다.

@haje01
haje01 / 도커와 AWS를 활용한 클라우드 딥러닝 환경 구축.md
Last active Dec 20, 2020
도커와 AWS를 활용한 클라우드 딥러닝 환경 구축
View 도커와 AWS를 활용한 클라우드 딥러닝 환경 구축.md

도커와 AWS를 활용한 클라우드 딥러닝 환경 구축

글쓴이: 김정주(haje01@gmail.com)

최근 딥러닝 관련 패키지들은 대부분 CPU와 GPU를 함께 지원하고 있습니다. GPU를 사용하면 보다 빠르게 학습 결과를 낼 수 있지만, GPU를 활용하기 위해서는 NVIDIA계열의 그래픽 카드, 드라이버 S/W 그리고 CUDA의 설치를 필요로 합니다.

이 글에서는 AWS의 GPU 인스턴스와 도커를 활용해 딥러닝 패키지(Caffe)를 편리하게 사용하는 방법을 소개합니다.


@haje01
haje01 / Dockerfile
Last active Dec 17, 2015
Dockerfile for Caffe (for AWS GPU Instace)
View Dockerfile
FROM ubuntu:14.04
# A docker container with the Nvidia kernel module and CUDA drivers installed
ENV CUDA_RUN http://developer.download.nvidia.com/compute/cuda/6_5/rel/installers/cuda_6.5.14_linux_64.run
RUN apt-get update && apt-get install -q -y \
wget \
build-essential
RUN cd /opt && \