SlideShare uma empresa Scribd logo
1 de 141
Baixar para ler offline
구름이 하늘의 일이라면:
Python과 TensorFlow를 이용한 기상예측
윤상웅 (주식회사 해줌)
구름이
하늘의 일이라면
그것을 예측하는 것이 우리의 일입니다
!
인공지능은
구름의 움직임을 예측할 수 있는가?
?
머신러닝 시스템을 어떻게 만들 것인가?
Python TensorFlow+
윤상웅
그전엔…
바이오지능 연구실 (장병탁 교수님)
• Bayesian optimization
• Decision making under uncertainty
• Active learning
• Artificial neural networks, especially RNN/LSTM
주식회사 해줌
태양광 발전 x 머신러닝
IT사업실 머신러닝팀
머신러닝 수업에서 하지 않는 이야기
Toy Dataset에서 성능지표 찍어보는 것 너머
실제 문제에 머신러닝이 적용되는 전체 프로세스
발표구성
기상예측
머신러닝
문제
만들기
01
기상예측
머신러닝
모형
만들기
02
기상예측
머신러닝
시스템
만들기
03
대상청중
머신러닝을 기상예측에 응용하는 것에 관심이 있으신 분
머신러닝이 실제 문제에 적용되는 과정에 대해 관심이 있으신 분
머신러닝과 TensorFlow에 기초적인 개념이 있으신 분
I. 기상예측 머신러닝 문제 만들기
자꾸 틀린 질문만 하니까 맞는 대답이 나올리가 없잖아.
‘왜 이우진은 오대수를 가뒀을까?’가 아니라
‘왜 풀어주었을까?’란 말이야!
-박찬욱, <올드보이>(2003)
무슨 문제를 풀 것인가
머신러닝으로 풀릴 법한 문제
머신러닝으로 풀었을 때 이점이 있는 문제
데이터를 구할 수 있는 문제
(금전적으로?) 이익이 되는 문제
⋯
문제를 어떻게 정의할 것인가
입력은?
출력은?
문제 유형은? Supervised? Unsupervised?
데이터의 표현(representation)은?
문제를 어떻게 형식화(Formulation)
어렵고 암묵적인 영역
머신러닝의 수학적인 가정에 대한 이해
데이터 도메인에 대한 이해
비즈니스에 대한 이해
우리의 문제
태양광 발전소의
미래 발전량 예측
PYCON KR 2017 - 구름이 하늘의 일이라면 (윤상웅)
태양 구름 발전소
태양광 발전소 발전량
태양의 움직임
자연계에서 가장 예측 가능한 현상
Pysolar, Sunpy, PyEphem
pysun
태양광 발전소 모델
태양광 발전소 데이터를 이용
별도로 학습 완료
PYCON KR 2017 - 구름이 하늘의 일이라면 (윤상웅)
구름을 읽을 수 있다면
발전량을 예측할 수 있다
발전량을 예측할 수 있다면
전력생산/소비를 최적화할 수 있다
예측된 신재생에너지 발전량만큼
화력, 원자력 발전소를 덜 가동할 수 있다
누가 구름을 좇을 수 있을까?
천리안 기상위성
2017년 8월 9일 12시 15분
적외1 적외1 수증기 가시광선 단파적외
PYCON KR 2017 - 구름이 하늘의 일이라면 (윤상웅)
우리의 문제 1
태양광 발전소의
미래 발전량 예측
우리의 문제 2
미래 기상상황 예측
우리의 문제 3
구름의 움직임 예측
우리의 문제 4
천리안 기상위성 영상의
다음 프레임 예측
문제의 구조
𝑋𝑡𝑋𝑡−1 𝑋𝑡+1
⋯ ⋯
문제의 구조
시계열 예측 Time-Series Forecasting
동영상 프레임 생성 Video Frame Synthesis
과연 이게 의미 있는 문제냐?
기상청이 있는데 뭐하러 니가
오늘날의 기상예측
기상청 슈퍼컴퓨터 4호기 수치모델에 의한 예보
Numerical Weather Forecasting
기상청을 대체하려는 것이 아닙니다
사랑해요 기상청
이미 기상예보에 기반한
태양광 발전량 예측모형을 가지고 있음
예측을 개선하기 위한 것
앙상블 Ensemble
서로 다른 가정을 하고 있는 예측 모형의 예측을 합치면
일반적으로 성능이 향상됨
머신러닝 접근이 가지는 장점
도메인 지식이 적게 필요
계산 능력이 적게 필요
물리모형 기반 시뮬레이션 대비
기상학 박사학위 없어요
슈퍼컴퓨터 없어요
일해라 핫산!
일반적으로 다른 대안 보다 적은 자원으로 실용적인 결과를 낼 수 있음
머신러닝 접근이 가지는 단점
설명이 되지 않는다
물리모형 기반 시뮬레이션 대비
왜 이런 예측이 나왔는지 (보통은) 알 수 없다
설명력을 희생하여 예측력을 얻는 방법론
정확한 예측이 다른 무엇보다 중요할 때 사용
머신러닝이란,
어머 그런데 그게 딱 우리 경우네
과연 이게 풀리는 문제냐?
되겠죠 뭐
핸드폰이 말도 하는 시대인데
정보가 충분한가?
입력변수가 예측변수를 대해 충분한 정보를 가지고 있는가?
예측이 가능한가?
대기의 움직임은 법칙을 따른다
Navier-Stockes equation
데이터는 법칙의 파편을 담고 있다
법칙이 있다면 학습할 여지가 있다
법칙이 희박한 현상을 예측하려는 것에 비하면…
관측은 부정확
모델은 불완전
현실은
머신러닝은 본래
불완전한 데이터를 다루기 위해 만들어졌다
확률! 확률을 보자!
승산이 있다
기온, 습도, 기압 등 추가적인 요소 반영하면 더욱 잘 될 것
Not today
남들이 푼 적 있는 문제인가?
거인이 있다면 어깨 위에 올라가야지
선행연구
Neural Information Processing Systems (NIPS), 2015
선행연구
Neural Information Processing Systems (NIPS), 2016
선행연구
SIGKDD Conference on Knowledge Discovery and Data Mining (KDD), 2015
선행연구
Neural Information Processing Systems (NIPS), 2016
선행연구
International Conference on Machine Learning (ICML), 2017
데이터를 구할 수 있는가?
여기서부터 진흙탕 시작
천리안 기상위성
관련기관
• 국가기상위성센터
• 기상청
• 기상산업기술원
• 기상자료개발포털
• 1024x1024 (한반도), 5 channel
• 약 15분에 한번씩 촬영
• 결측(missing)이 빈번함
• 2011년부터 존재
• Pixel값  물리량(알베도, 온도 등) 변환필요
데이터 스펙
천리안 기상위성 - 전처리
파일 읽기 (gzipped binary)
• gzip / bitstring
이미지 축소
• scipy.misc.imresize
• bicubic
• 1024 x 1024  256 x 256
데이터 저장
• HDF5 format : h5py
• (T, 256, 256, 5)
분산처리
• joblib
Python으로 다 할 수 있어요!
I. 머신러닝 문제 만들기
천리안 기상위성의 다음 프레임 예측
풀 수 있을 것 같고, 풀었을 때 이득이 있다
천리안 기상위성의 과거 프레임들을 알고 있을 때
I. 머신러닝 문제 만들기
예측 문제를 잘 정의하는 것이 중요하다
꼭 머신러닝을 써야만 하는 문제인가?
풀 수 있으면서, 의미있는 문제 남이 안 푸는 문제
문제를 만들었고, 데이터를 준비했다
드루와 다 드루와
II. 머신러닝 모형 만들기
새로운 데이터셋에 머신러닝을 적용하는 것
레알 갓겜임
이런 느낌
기본 원칙
1. Baseline 모델을 먼저 만든다
2. 눈으로 직접 본다
3. 단순한 것부터 시작한다
Baseline
상상할 수 있는 모델 중 가장 간단하고 못 하는 모델
절대 버그를 낼 수 없 버그를 금방 고칠 수 있는 모델
Scikit-Learn
굳이 바퀴를 다시 발명할 필요없다
극도로 깔끔한 API
새 모델 구현할 때도 Scikit-Learn의 BaseEstimator를 상속받아서 만드는 것을 추천
Baseline 만들 땐..
그밖에도 여러 도우미 함수들을 많이 제공
GridSearchCV, Preprocessing, train_test_split
그치만 우리 문제는 일반적이지 않은 유형
Scikit-Learn으로 해결 안 됨
그래도 소개해 드릴게요
모든 pixel을 regression
추천 Baseline
선형모형 (Linear model)
sklearn.linear_model
LinearRegression
LosgisticRegression
K-Nearest Neighbor
sklearn.neighbors
KNeighborsClassifier
KNeighborsRegressor
특히 1-NN
추천 Baseline
모델을 만들었는데
이 친구들보다 못하면 뭔가 문제가 있다
Hyperparameter가 거의 없음
뭐가 좋아요?
Test Driven Development
(Baseline을 시험하면서 성능평가 코드를 작성하게 됨)
문제에 대한 대략적인 감
진보의 측정
우리 문제의 Baseline은?
시계열 예측 문제
⋯ 𝑋𝑡−2, 𝑋𝑡−1, 𝑋𝑡 가 주어졌을 때
𝑋𝑡+1을 예측
Persistence Model
“내일의 주가? 오늘이랑 똑같을 거야!”
𝑋𝑡+1가 𝑋𝑡 와 같을 것이라고 예측하는 것
예측 시점과의 거리(lag)를 늘려가면서 실험해볼 수 있음
10시간 후 예측이 1시간 후 예측보다 어렵겠죠?
성능지표
Mean Squared Error
E 𝐷, 𝑋𝑡+1 − ෠𝑋𝑡+1
2
((target – pred)**2).mean()
pixel
Persistence Model Result
2016년을 Test set으로 사용
시간 간격(lag)을 늘려가면서 실험
시간 간격이 길 수록
프레임 간 차이가 크다
matplotlib로 그렸습니다
눈으로 직접 본다
당신의 코드를 믿지 마라
확실하지 않은 것에는 승부를 걸지 마라
몹쓸 타짜드립 OUT
이상하다?
희한하네…
왜 내려갈까?
matplotlib로 그렸습니다
상식적 예상과 벗어나는 곳에 의미가 있다
상식: 시간 간격이 멀 수록 프레임 간 차이가 크다
관찰: 프레임 간 차이가 크다가 다시 작아진다
이상한 현상은 데이터의 특징에 대해 말해준다
정보
채널별로 나눠보자
가시광선 채널적외선 채널
Show me the data!
9 10 11 12 13 14
15 16 17 18 19 20
적외선 채널
mpl_toolkits.axes_grid1.AxesGrid 를 이용하여 그렸습니다
Show me the data!
9 10 11 12 13 14
15 16 17 18 19 20
가시광선 채널
데이터를 직접 보지 않으면 모르는 것들이 있다
귀찮고 고통스럽지만 하나하나 열어보는 것이 필요
스스로에게 하는 이야기
데이터의 규칙성 파악  모델에 반영
새로운 Feature:
태양이 어디쯤 있는지 모델에게 알려주자
Insight
단순한 것부터 시도한다
Generative Adversarial
Networks
Variational Autoencoders
Video Pixel Networks Convolutional LSTM
세상엔 멋진 ML 알고리즘이 너무 많다
멋진 알고리즘은 많은 버그를 동반한다
멋진 ML 알고리즘은
많은 Hyperparameter를 가지고 있다
새로운 데이터셋에 대해 좋은 hyperparameter 설정을 찾으려면
시간과 노력이 많이 든다
예) Learning rate, hidden neuron 수, activation function, regularization, …
알고리즘이 동작하지 않았을 때 의사결정이 어려움
Hyperparameter가 잘못된 건가
이 알고리즘이 이 문제에 맞지 않는 건가
알 수가 없다
두 번째 Baseline을 만든다고 생각하자
가장 간단한 ConvNet
𝑋𝑡
CONV (3x3)
𝑋𝑡+1
CONV (1x1)
Difference Image를 학습
왜 Recurrent Neural Net이 아닌가?
기상위성 영상 Frame이 결측되는 경우가 꽤 많음 (1%)
Sliding window input
구현을 하자!
드디어
애증의 TensorFlow
어딘지 모르게 불편해… 꼭 Stack Overflow를 찾게 된다
(부들부들)
현실적으로 가장 좋은 대안
빠른 업데이트
두터운 사용자층
TensorBoard와 TensorFlow Serving
이미 구현된 모델들
High-level API (Keras, slim)
TensorFlow 코딩 스타일
http://bit.ly/tftalk-best-practice
https://wookayin.github.io/TensorFlowKR-2017-talk-bestpractice/ko/
완전 강추:
최종욱과 신범준, <Toward Best Practices of TensorFlow Code Patterns>,
TensorFlowKR, 2017
TF는 어떤 일을 할 수 있는 방법이 여러 가지
복잡성과 혼란을 가져온다
특이사항 - TensorFlow
Queue : 사용하지 않음
• placeholder와 feed_dict사용
• 언제나 예상치 못한 입력을 사용하게 됨
• GPU Utilization 나쁘지 않았음 (~90%)
keras, tf.slim: 사용하지 않음
• 모델 구조를 어떻게 지지고 볶을지 모름
• 하지만 좀 더 일반적인 task(e.g. classification)였다면 추천!
MSE Comparison
Baseline Conv-1
0.210 0.166
가능성이 보인다!
#GPU가_드디어_밥값을
#감격
#눈물
#퇴근
이제부터 진짜 시작
©박수진
결과는 맨 마지막에!
II. 머신러닝 모델 만들기
ConvNet 기반 Frame 생성
입력: 과거 Frame K 개 + 태양위치 정보
출력: 그 다음 Frame
II. 머신러닝 모델 만들기
Baseline 모델을 먼저 만든다
눈으로 직접 본다
간단한 것부터 시작한다
II. 머신러닝 모델 만들기
Baseline 모델을 먼저 만든다
눈으로 직접 본다
간단한 것부터 시작한다
III. 머신러닝 시스템 만들기
머신러닝의 산출물은 시스템
머신러닝 != 데이터 분석
자동화된
예측 시스템
그래프, 보고서,
의사결정
머신러닝의 도입은 백엔드의 복잡도를 상승시킴
머신러닝 연구개발 프로세스
아이디어
데이터셋
모델 학습 성능 평가
모델 출시
실제 피드백1
2
3 4
5
6
좋은 성능의 머신러닝 시스템을 만드는 방법
Iteration을 많이 돌면 된다
Iteration이 덜 고통스러우면 된다
머신러닝 시스템 설계의 주안점
1. 시스템의 복잡도를 낮게
2. 새 알고리즘의 출시를 최대한 고통없이
• 학습과 예측의 분리
• 머신러닝 라이브러리 제작
• 해줌 머신러닝 클래스 구조
학습과 예측의 분리
연구 배포
학습 예측
이 과정에서 별 짓을 다 하게 된다!
Data augmentation, sampling,
preprocessing,…
여기와는 떨어져 있는 것이 안전
학습과 예측의 분리 – Repository 수준에서
머신러닝 예측 시스템 리파지토리
개인별 연구용 리파지토리
• 데이터 분석
• 모형 학습
• 실시간 데이터 처리
• 예측 결과 API serving
GitHub 사용합니다
시스템 코드와 연구용 코드의 싱크
라이브러리(패키지)를 만들자
• 구현된 예측 모형들
• 데이터(feature) 불러오는 모듈
• 각종 유틸리티 함수들
• ML시스템과 연구용 리파지토리에 설치
Sunspot (흑점)
패키지 이름
PYCON KR 2017 - 구름이 하늘의 일이라면 (윤상웅)
라이브러리로 만들었더니
• 문서화 - Sphinx / Jupyter Notebook
• 테스트 – Unittest / PyTest
• 코드품질관리 – PEP8
연구용 코드 / 시스템 코드와 핵심 알고리즘 코드가 분리
코드 품질을 더 잘 관리할 수 있게 됨
머신러닝을 위한 클래스 구조 고안
새로운 알고리즘의 출시를 최대한 고통없이
Program
Predictor
Feature
해줌 머신러닝 클래스 구조
사용자와 상호작용
각 머신러닝 모델
데이터 API
.predict()
하청
Program
Predictor
Feature
해줌 머신러닝 클래스 구조
.predict()
하청
하청
하청
.fetch()
드..드리겠습니다!
Program
Predictor
Feature
해줌 머신러닝 클래스 구조
최종 예측값 반환
1) Missing 처리
2) Ensemble
예측값
데이터
데이터
예측값
효과
여러 다른 모델이 통일된 API를 가질 수 있음
모델 앙상블 쉬움
협업/분업 가능
예측모형의 버전 관리 – 진보의 측정
로직과 패턴에 대한 고민과 공유가 더 필요
힘을 합쳐요!
머신러닝은 보통 백엔드 중에서도 가장 숨겨져 있음
III. 머신러닝 시스템 만들기
태양광
발전소
마이크로서비스 A
마이크로서비스 B
마이크로서비스 C
Django
PostgreSQL
PostGIS
Scikit-Learn
TensorFlow
Jenkins
Sunspot
Django
RestFramework
연구용 환경
Jupyter Notebook
Pandas
Scikit-Learn
R
Sunspot
머신러닝 서버
III. 머신러닝 시스템 만들기
학습과 예측의 분리
자체 라이브러리를 통한 코드 싱크
머신러닝 모델을 위한 클래스 구조 고안
그래서 모델은 어찌 되었나?
MSE Comparison
Baseline Model-1
0.210 0.166
Model-23
0.109
▼48.36%
최종 ConvNet
𝑋𝑡, 𝑋𝑡−1, 𝑋𝑡−2
𝑋𝑡+1
일종의 Attention Mechanism
이전 프레임에서 어디를 업데이트할지 학습
Difference Image를 생성
과정
Persistence Model의 예측
Target Persistence
Prediction
Error
(Pred - Targ)
𝑋𝑡+1 𝑋𝑡
2016년 5월 1일 오후 1시 적외1 채널 예측
Persistence Model의 예측
Target Persistence
Prediction
Error
(Pred - Targ)
𝑋𝑡+1 𝑋𝑡
2016년 5월 1일 오후 1시 적외1 채널 예측
구름이 이동한다!
Persistence Model의 예측
Target Persistence
Prediction
Error
(Pred - Targ)
𝑋𝑡+1 𝑋𝑡
2016년 5월 1일 오후 1시 적외1 채널 예측
Conv-23의 예측
Target Conv-23 Error
(Pred - Targ)
예측 비교
Persistence
Prediction
Conv-23 Diff
(Model - Persist)
Persistence Model의 예측
Target Persistence
Prediction
Error
(Pred - Targ)
𝑋𝑡+1 𝑋𝑡
2016년 4월 16일 오후 6시 가시광선 채널 예측
해가 지면서 전체적인 영상 밝기가 감소
Conv-23의 예측
Target Model
Prediction
Error
(Pred - Targ)
예측 비교
Persistence
Prediction
Model
Prediction
Diff
(Model - Persist)
예측의 개선에는 끝이 없다
그만 퇴근합시다?
To Do List
다른 기상 요소 반영
Forecast Horizon 늘리기
새로운 모델링 아이디어들
예측된 Frame에서 발전량 예측
구름의 움직임에는 법칙이 있고
우리는 그것을 찾아내 예측을 수행할 것입니다
끝나지 않는 여정이지만 끊임없이 시도할 것
가능성을 확인
생략한 이야기들이 많아 아쉬워요
머신러닝을 실제로 적용하면서 봉착한 문제 중 일부분에 불과
궁금하신가요?
지원하세요!
들어 주셔서 감사합니다
윤상웅
e-mail: swyoon@haezoom.com
fb: http://www.facebook.com/sangwoong.yoon.24
Github: swyoon
디자인 도움: 박수진님 (금손..!)
대한민국 유일 IT기반 태양광 스타트업
Django, PostgreSQL, Vue.js, jQuery, Less, TensorFlow, GitHub, Jenkins, JIRA, …
모든 개발자가 Python 사용 (실화임)
recruit@haezoom.com
웹 프론트엔드, 백엔드 개발자 모셔요! 다른 포지션도 연락주세요♥

Mais conteúdo relacionado

Mais procurados

[261] 실시간 추천엔진 머신한대에 구겨넣기
[261] 실시간 추천엔진 머신한대에 구겨넣기[261] 실시간 추천엔진 머신한대에 구겨넣기
[261] 실시간 추천엔진 머신한대에 구겨넣기NAVER D2
 
코드와 실습으로 이해하는 인공지능
코드와 실습으로 이해하는 인공지능코드와 실습으로 이해하는 인공지능
코드와 실습으로 이해하는 인공지능도형 임
 
Unsupervised visual representation learning overview: Toward Self-Supervision
Unsupervised visual representation learning overview: Toward Self-SupervisionUnsupervised visual representation learning overview: Toward Self-Supervision
Unsupervised visual representation learning overview: Toward Self-SupervisionLEE HOSEONG
 
개발정글에 떨어진 고슴도치는 어떻게 살고 있을까
개발정글에 떨어진 고슴도치는 어떻게 살고 있을까개발정글에 떨어진 고슴도치는 어떻게 살고 있을까
개발정글에 떨어진 고슴도치는 어떻게 살고 있을까June Kim
 
Spring boot 를 적용한 전사모니터링 시스템 backend 개발 사례
Spring boot 를 적용한 전사모니터링 시스템 backend 개발 사례Spring boot 를 적용한 전사모니터링 시스템 backend 개발 사례
Spring boot 를 적용한 전사모니터링 시스템 backend 개발 사례Jemin Huh
 
대용량 로그분석 Bigquery로 간단히 사용하기
대용량 로그분석 Bigquery로 간단히 사용하기대용량 로그분석 Bigquery로 간단히 사용하기
대용량 로그분석 Bigquery로 간단히 사용하기Jaikwang Lee
 
코로나19로 인해 변화된 우리 시대의 데이터 트랜드
코로나19로 인해 변화된 우리 시대의 데이터 트랜드코로나19로 인해 변화된 우리 시대의 데이터 트랜드
코로나19로 인해 변화된 우리 시대의 데이터 트랜드Yongho Ha
 
숨겨진 마이크로서비스: 초고속 응답과 고가용성을 위한 캐시 서비스 디자인
숨겨진 마이크로서비스: 초고속 응답과 고가용성을 위한 캐시 서비스 디자인숨겨진 마이크로서비스: 초고속 응답과 고가용성을 위한 캐시 서비스 디자인
숨겨진 마이크로서비스: 초고속 응답과 고가용성을 위한 캐시 서비스 디자인VMware Tanzu Korea
 
Video Transformers.pptx
Video Transformers.pptxVideo Transformers.pptx
Video Transformers.pptxSangmin Woo
 
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기AWSKRUG - AWS한국사용자모임
 
Using ClickHouse for Experimentation
Using ClickHouse for ExperimentationUsing ClickHouse for Experimentation
Using ClickHouse for ExperimentationGleb Kanterov
 
Building Content Recommendation Systems Using Apache MXNet and Gluon - MCL402...
Building Content Recommendation Systems Using Apache MXNet and Gluon - MCL402...Building Content Recommendation Systems Using Apache MXNet and Gluon - MCL402...
Building Content Recommendation Systems Using Apache MXNet and Gluon - MCL402...Amazon Web Services
 
고려대학교 컴퓨터학과 특강 - 대학생 때 알았더라면 좋았을 것들
고려대학교 컴퓨터학과 특강 - 대학생 때 알았더라면 좋았을 것들고려대학교 컴퓨터학과 특강 - 대학생 때 알았더라면 좋았을 것들
고려대학교 컴퓨터학과 특강 - 대학생 때 알았더라면 좋았을 것들Chris Ohk
 
Your first ClickHouse data warehouse
Your first ClickHouse data warehouseYour first ClickHouse data warehouse
Your first ClickHouse data warehouseAltinity Ltd
 
제 18회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [이탈리안 BMT] : 지하철 지연 시간 데이터 분석 및 시각화를 위한 데이터 파이프라인 구축
제 18회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [이탈리안 BMT] : 지하철 지연 시간 데이터 분석 및 시각화를 위한 데이터 파이프라인 구축제 18회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [이탈리안 BMT] : 지하철 지연 시간 데이터 분석 및 시각화를 위한 데이터 파이프라인 구축
제 18회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [이탈리안 BMT] : 지하철 지연 시간 데이터 분석 및 시각화를 위한 데이터 파이프라인 구축BOAZ Bigdata
 
SCGPT : Few-shot Natural Language Generation for Task-Oriented Dialog
SCGPT : Few-shot Natural Language Generation for Task-Oriented DialogSCGPT : Few-shot Natural Language Generation for Task-Oriented Dialog
SCGPT : Few-shot Natural Language Generation for Task-Oriented Dialogtaeseon ryu
 
PR 127: FaceNet
PR 127: FaceNetPR 127: FaceNet
PR 127: FaceNetTaeoh Kim
 
제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [리뷰의 재발견 팀] : 이커머스 리뷰 유용성 파악 및 필터링
제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [리뷰의 재발견 팀] : 이커머스 리뷰 유용성 파악 및 필터링제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [리뷰의 재발견 팀] : 이커머스 리뷰 유용성 파악 및 필터링
제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [리뷰의 재발견 팀] : 이커머스 리뷰 유용성 파악 및 필터링BOAZ Bigdata
 
위성이미지 객체 검출 대회 - 1등
위성이미지 객체 검출 대회 - 1등위성이미지 객체 검출 대회 - 1등
위성이미지 객체 검출 대회 - 1등DACON AI 데이콘
 

Mais procurados (20)

[261] 실시간 추천엔진 머신한대에 구겨넣기
[261] 실시간 추천엔진 머신한대에 구겨넣기[261] 실시간 추천엔진 머신한대에 구겨넣기
[261] 실시간 추천엔진 머신한대에 구겨넣기
 
코드와 실습으로 이해하는 인공지능
코드와 실습으로 이해하는 인공지능코드와 실습으로 이해하는 인공지능
코드와 실습으로 이해하는 인공지능
 
Unsupervised visual representation learning overview: Toward Self-Supervision
Unsupervised visual representation learning overview: Toward Self-SupervisionUnsupervised visual representation learning overview: Toward Self-Supervision
Unsupervised visual representation learning overview: Toward Self-Supervision
 
개발정글에 떨어진 고슴도치는 어떻게 살고 있을까
개발정글에 떨어진 고슴도치는 어떻게 살고 있을까개발정글에 떨어진 고슴도치는 어떻게 살고 있을까
개발정글에 떨어진 고슴도치는 어떻게 살고 있을까
 
Spring boot 를 적용한 전사모니터링 시스템 backend 개발 사례
Spring boot 를 적용한 전사모니터링 시스템 backend 개발 사례Spring boot 를 적용한 전사모니터링 시스템 backend 개발 사례
Spring boot 를 적용한 전사모니터링 시스템 backend 개발 사례
 
대용량 로그분석 Bigquery로 간단히 사용하기
대용량 로그분석 Bigquery로 간단히 사용하기대용량 로그분석 Bigquery로 간단히 사용하기
대용량 로그분석 Bigquery로 간단히 사용하기
 
코로나19로 인해 변화된 우리 시대의 데이터 트랜드
코로나19로 인해 변화된 우리 시대의 데이터 트랜드코로나19로 인해 변화된 우리 시대의 데이터 트랜드
코로나19로 인해 변화된 우리 시대의 데이터 트랜드
 
숨겨진 마이크로서비스: 초고속 응답과 고가용성을 위한 캐시 서비스 디자인
숨겨진 마이크로서비스: 초고속 응답과 고가용성을 위한 캐시 서비스 디자인숨겨진 마이크로서비스: 초고속 응답과 고가용성을 위한 캐시 서비스 디자인
숨겨진 마이크로서비스: 초고속 응답과 고가용성을 위한 캐시 서비스 디자인
 
Video Transformers.pptx
Video Transformers.pptxVideo Transformers.pptx
Video Transformers.pptx
 
Big data telecom
Big data telecomBig data telecom
Big data telecom
 
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
Spark + S3 + R3를 이용한 데이터 분석 시스템 만들기
 
Using ClickHouse for Experimentation
Using ClickHouse for ExperimentationUsing ClickHouse for Experimentation
Using ClickHouse for Experimentation
 
Building Content Recommendation Systems Using Apache MXNet and Gluon - MCL402...
Building Content Recommendation Systems Using Apache MXNet and Gluon - MCL402...Building Content Recommendation Systems Using Apache MXNet and Gluon - MCL402...
Building Content Recommendation Systems Using Apache MXNet and Gluon - MCL402...
 
고려대학교 컴퓨터학과 특강 - 대학생 때 알았더라면 좋았을 것들
고려대학교 컴퓨터학과 특강 - 대학생 때 알았더라면 좋았을 것들고려대학교 컴퓨터학과 특강 - 대학생 때 알았더라면 좋았을 것들
고려대학교 컴퓨터학과 특강 - 대학생 때 알았더라면 좋았을 것들
 
Your first ClickHouse data warehouse
Your first ClickHouse data warehouseYour first ClickHouse data warehouse
Your first ClickHouse data warehouse
 
제 18회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [이탈리안 BMT] : 지하철 지연 시간 데이터 분석 및 시각화를 위한 데이터 파이프라인 구축
제 18회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [이탈리안 BMT] : 지하철 지연 시간 데이터 분석 및 시각화를 위한 데이터 파이프라인 구축제 18회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [이탈리안 BMT] : 지하철 지연 시간 데이터 분석 및 시각화를 위한 데이터 파이프라인 구축
제 18회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [이탈리안 BMT] : 지하철 지연 시간 데이터 분석 및 시각화를 위한 데이터 파이프라인 구축
 
SCGPT : Few-shot Natural Language Generation for Task-Oriented Dialog
SCGPT : Few-shot Natural Language Generation for Task-Oriented DialogSCGPT : Few-shot Natural Language Generation for Task-Oriented Dialog
SCGPT : Few-shot Natural Language Generation for Task-Oriented Dialog
 
PR 127: FaceNet
PR 127: FaceNetPR 127: FaceNet
PR 127: FaceNet
 
제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [리뷰의 재발견 팀] : 이커머스 리뷰 유용성 파악 및 필터링
제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [리뷰의 재발견 팀] : 이커머스 리뷰 유용성 파악 및 필터링제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [리뷰의 재발견 팀] : 이커머스 리뷰 유용성 파악 및 필터링
제 15회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [리뷰의 재발견 팀] : 이커머스 리뷰 유용성 파악 및 필터링
 
위성이미지 객체 검출 대회 - 1등
위성이미지 객체 검출 대회 - 1등위성이미지 객체 검출 대회 - 1등
위성이미지 객체 검출 대회 - 1등
 

Destaque

파이썬 데이터 분석 3종세트
파이썬 데이터 분석 3종세트파이썬 데이터 분석 3종세트
파이썬 데이터 분석 3종세트itproman35
 
Denoising auto encoders(d a)
Denoising auto encoders(d a)Denoising auto encoders(d a)
Denoising auto encoders(d a)Tae Young Lee
 
Spm12를 이용한 fmri analysis
Spm12를 이용한 fmri analysisSpm12를 이용한 fmri analysis
Spm12를 이용한 fmri analysisTae Young Lee
 
Python 2 와 3 공존하기
Python 2 와 3 공존하기Python 2 와 3 공존하기
Python 2 와 3 공존하기태환 김
 
[224] 번역 모델 기반_질의_교정_시스템
[224] 번역 모델 기반_질의_교정_시스템[224] 번역 모델 기반_질의_교정_시스템
[224] 번역 모델 기반_질의_교정_시스템NAVER D2
 
Driving Computer Vision Research Innovation In Artificial Intelligence
Driving Computer Vision Research Innovation In Artificial IntelligenceDriving Computer Vision Research Innovation In Artificial Intelligence
Driving Computer Vision Research Innovation In Artificial IntelligenceNVIDIA
 
weather-data-processing-using-python
weather-data-processing-using-pythonweather-data-processing-using-python
weather-data-processing-using-pythonmarc_kth
 
[216]딥러닝예제로보는개발자를위한통계 최재걸
[216]딥러닝예제로보는개발자를위한통계 최재걸[216]딥러닝예제로보는개발자를위한통계 최재걸
[216]딥러닝예제로보는개발자를위한통계 최재걸NAVER D2
 
[221] 딥러닝을 이용한 지역 컨텍스트 검색 김진호
[221] 딥러닝을 이용한 지역 컨텍스트 검색 김진호[221] 딥러닝을 이용한 지역 컨텍스트 검색 김진호
[221] 딥러닝을 이용한 지역 컨텍스트 검색 김진호NAVER D2
 
[ Pycon Korea 2017 ] Infrastructure as Code를위한 Ansible 활용
[ Pycon Korea 2017 ] Infrastructure as Code를위한 Ansible 활용[ Pycon Korea 2017 ] Infrastructure as Code를위한 Ansible 활용
[ Pycon Korea 2017 ] Infrastructure as Code를위한 Ansible 활용Jihyung Song
 
[F2]자연어처리를 위한 기계학습 소개
[F2]자연어처리를 위한 기계학습 소개[F2]자연어처리를 위한 기계학습 소개
[F2]자연어처리를 위한 기계학습 소개NAVER D2
 
Speaker Diarization
Speaker DiarizationSpeaker Diarization
Speaker DiarizationHONGJOO LEE
 
PYCON 2017 발표자료 한성준
PYCON 2017 발표자료 한성준PYCON 2017 발표자료 한성준
PYCON 2017 발표자료 한성준sungjun han
 
아마존 에코를 활용한 음성 인식 에어컨 제어 A to z
아마존 에코를 활용한 음성 인식 에어컨 제어 A to z아마존 에코를 활용한 음성 인식 에어컨 제어 A to z
아마존 에코를 활용한 음성 인식 에어컨 제어 A to zJueun Seo
 
Pycon2017 이성용 Dances with the Last Samurai
Pycon2017 이성용 Dances with the Last SamuraiPycon2017 이성용 Dances with the Last Samurai
Pycon2017 이성용 Dances with the Last SamuraiSungYong Lee
 
One-Shot Learning
One-Shot LearningOne-Shot Learning
One-Shot LearningJisung Kim
 
머신러닝의 자연어 처리기술(I)
머신러닝의 자연어 처리기술(I)머신러닝의 자연어 처리기술(I)
머신러닝의 자연어 처리기술(I)홍배 김
 
딥러닝을 이용한 자연어처리의 연구동향
딥러닝을 이용한 자연어처리의 연구동향딥러닝을 이용한 자연어처리의 연구동향
딥러닝을 이용한 자연어처리의 연구동향홍배 김
 
CNN 초보자가 만드는 초보자 가이드 (VGG 약간 포함)
CNN 초보자가 만드는 초보자 가이드 (VGG 약간 포함)CNN 초보자가 만드는 초보자 가이드 (VGG 약간 포함)
CNN 초보자가 만드는 초보자 가이드 (VGG 약간 포함)Lee Seungeun
 
Developing Korean Chatbot 101
Developing Korean Chatbot 101Developing Korean Chatbot 101
Developing Korean Chatbot 101Jaemin Cho
 

Destaque (20)

파이썬 데이터 분석 3종세트
파이썬 데이터 분석 3종세트파이썬 데이터 분석 3종세트
파이썬 데이터 분석 3종세트
 
Denoising auto encoders(d a)
Denoising auto encoders(d a)Denoising auto encoders(d a)
Denoising auto encoders(d a)
 
Spm12를 이용한 fmri analysis
Spm12를 이용한 fmri analysisSpm12를 이용한 fmri analysis
Spm12를 이용한 fmri analysis
 
Python 2 와 3 공존하기
Python 2 와 3 공존하기Python 2 와 3 공존하기
Python 2 와 3 공존하기
 
[224] 번역 모델 기반_질의_교정_시스템
[224] 번역 모델 기반_질의_교정_시스템[224] 번역 모델 기반_질의_교정_시스템
[224] 번역 모델 기반_질의_교정_시스템
 
Driving Computer Vision Research Innovation In Artificial Intelligence
Driving Computer Vision Research Innovation In Artificial IntelligenceDriving Computer Vision Research Innovation In Artificial Intelligence
Driving Computer Vision Research Innovation In Artificial Intelligence
 
weather-data-processing-using-python
weather-data-processing-using-pythonweather-data-processing-using-python
weather-data-processing-using-python
 
[216]딥러닝예제로보는개발자를위한통계 최재걸
[216]딥러닝예제로보는개발자를위한통계 최재걸[216]딥러닝예제로보는개발자를위한통계 최재걸
[216]딥러닝예제로보는개발자를위한통계 최재걸
 
[221] 딥러닝을 이용한 지역 컨텍스트 검색 김진호
[221] 딥러닝을 이용한 지역 컨텍스트 검색 김진호[221] 딥러닝을 이용한 지역 컨텍스트 검색 김진호
[221] 딥러닝을 이용한 지역 컨텍스트 검색 김진호
 
[ Pycon Korea 2017 ] Infrastructure as Code를위한 Ansible 활용
[ Pycon Korea 2017 ] Infrastructure as Code를위한 Ansible 활용[ Pycon Korea 2017 ] Infrastructure as Code를위한 Ansible 활용
[ Pycon Korea 2017 ] Infrastructure as Code를위한 Ansible 활용
 
[F2]자연어처리를 위한 기계학습 소개
[F2]자연어처리를 위한 기계학습 소개[F2]자연어처리를 위한 기계학습 소개
[F2]자연어처리를 위한 기계학습 소개
 
Speaker Diarization
Speaker DiarizationSpeaker Diarization
Speaker Diarization
 
PYCON 2017 발표자료 한성준
PYCON 2017 발표자료 한성준PYCON 2017 발표자료 한성준
PYCON 2017 발표자료 한성준
 
아마존 에코를 활용한 음성 인식 에어컨 제어 A to z
아마존 에코를 활용한 음성 인식 에어컨 제어 A to z아마존 에코를 활용한 음성 인식 에어컨 제어 A to z
아마존 에코를 활용한 음성 인식 에어컨 제어 A to z
 
Pycon2017 이성용 Dances with the Last Samurai
Pycon2017 이성용 Dances with the Last SamuraiPycon2017 이성용 Dances with the Last Samurai
Pycon2017 이성용 Dances with the Last Samurai
 
One-Shot Learning
One-Shot LearningOne-Shot Learning
One-Shot Learning
 
머신러닝의 자연어 처리기술(I)
머신러닝의 자연어 처리기술(I)머신러닝의 자연어 처리기술(I)
머신러닝의 자연어 처리기술(I)
 
딥러닝을 이용한 자연어처리의 연구동향
딥러닝을 이용한 자연어처리의 연구동향딥러닝을 이용한 자연어처리의 연구동향
딥러닝을 이용한 자연어처리의 연구동향
 
CNN 초보자가 만드는 초보자 가이드 (VGG 약간 포함)
CNN 초보자가 만드는 초보자 가이드 (VGG 약간 포함)CNN 초보자가 만드는 초보자 가이드 (VGG 약간 포함)
CNN 초보자가 만드는 초보자 가이드 (VGG 약간 포함)
 
Developing Korean Chatbot 101
Developing Korean Chatbot 101Developing Korean Chatbot 101
Developing Korean Chatbot 101
 

Semelhante a PYCON KR 2017 - 구름이 하늘의 일이라면 (윤상웅)

2021-11-16 모두콘 딥러닝 경량화 발표
2021-11-16 모두콘 딥러닝 경량화 발표2021-11-16 모두콘 딥러닝 경량화 발표
2021-11-16 모두콘 딥러닝 경량화 발표JongkukLim
 
딥러닝 세계에 입문하기 위반 분투
딥러닝 세계에 입문하기 위반 분투딥러닝 세계에 입문하기 위반 분투
딥러닝 세계에 입문하기 위반 분투Ubuntu Korea Community
 
파이썬으로 익히는 딥러닝 기본 (18년)
파이썬으로 익히는 딥러닝 기본 (18년)파이썬으로 익히는 딥러닝 기본 (18년)
파이썬으로 익히는 딥러닝 기본 (18년)SK(주) C&C - 강병호
 
한눈에 보는 머신러닝
한눈에 보는 머신러닝한눈에 보는 머신러닝
한눈에 보는 머신러닝주경 이
 
The bleeding edge of machine learning stream in 2017 - APAC ML/DS Community ...
The bleeding edge of  machine learning stream in 2017 - APAC ML/DS Community ...The bleeding edge of  machine learning stream in 2017 - APAC ML/DS Community ...
The bleeding edge of machine learning stream in 2017 - APAC ML/DS Community ...Jeongkyu Shin
 
Chapter 11 Practical Methodology
Chapter 11 Practical MethodologyChapter 11 Practical Methodology
Chapter 11 Practical MethodologyKyeongUkJang
 
Things Data Scientists Should Keep in Mind
Things Data Scientists Should Keep in MindThings Data Scientists Should Keep in Mind
Things Data Scientists Should Keep in MindDataya Nolja
 
링크드인의 Big Data Recommendation Products - 어제의 데이터를 통해 내일을 예측한다
링크드인의 Big Data Recommendation Products - 어제의 데이터를 통해 내일을 예측한다링크드인의 Big Data Recommendation Products - 어제의 데이터를 통해 내일을 예측한다
링크드인의 Big Data Recommendation Products - 어제의 데이터를 통해 내일을 예측한다Evion Kim
 
스마트폰 위의 딥러닝
스마트폰 위의 딥러닝스마트폰 위의 딥러닝
스마트폰 위의 딥러닝NAVER Engineering
 
딥뉴럴넷 클러스터링 실패기
딥뉴럴넷 클러스터링 실패기딥뉴럴넷 클러스터링 실패기
딥뉴럴넷 클러스터링 실패기Myeongju Kim
 
Coding interview
Coding interviewCoding interview
Coding interviewSoohan Ahn
 
Machine Learning with Apache Spark and Zeppelin
Machine Learning with Apache Spark and ZeppelinMachine Learning with Apache Spark and Zeppelin
Machine Learning with Apache Spark and ZeppelinDataya Nolja
 
KERIS SW교육 연계 로봇 활용 심화과정 (중등)
KERIS SW교육 연계 로봇 활용 심화과정 (중등)KERIS SW교육 연계 로봇 활용 심화과정 (중등)
KERIS SW교육 연계 로봇 활용 심화과정 (중등)Kwang-Hyun Park
 
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기NAVER D2
 
Spark & Zeppelin을 활용한 머신러닝 실전 적용기
Spark & Zeppelin을 활용한 머신러닝 실전 적용기Spark & Zeppelin을 활용한 머신러닝 실전 적용기
Spark & Zeppelin을 활용한 머신러닝 실전 적용기Taejun Kim
 
[오컴 Clip IT 세미나] 머신러닝과 인공지능의 현재와 미래
[오컴 Clip IT 세미나] 머신러닝과 인공지능의 현재와 미래[오컴 Clip IT 세미나] 머신러닝과 인공지능의 현재와 미래
[오컴 Clip IT 세미나] 머신러닝과 인공지능의 현재와 미래Taehoon Ko
 
머신러닝(딥러닝 요약)
머신러닝(딥러닝 요약)머신러닝(딥러닝 요약)
머신러닝(딥러닝 요약)Byung-han Lee
 
머신러닝으로 쏟아지는 유저 CS 답변하기 DEVIEW 2017
머신러닝으로 쏟아지는 유저 CS 답변하기 DEVIEW 2017머신러닝으로 쏟아지는 유저 CS 답변하기 DEVIEW 2017
머신러닝으로 쏟아지는 유저 CS 답변하기 DEVIEW 2017Donghwa Kim
 
Project anarchy로 3d 게임 만들기 part_3_움직여라 움직여
Project anarchy로 3d 게임 만들기 part_3_움직여라 움직여Project anarchy로 3d 게임 만들기 part_3_움직여라 움직여
Project anarchy로 3d 게임 만들기 part_3_움직여라 움직여Dong Chan Shin
 
창발 세미나 - 머신러닝과 소프트웨어 개발
창발 세미나 - 머신러닝과 소프트웨어 개발창발 세미나 - 머신러닝과 소프트웨어 개발
창발 세미나 - 머신러닝과 소프트웨어 개발Sang-Min Park
 

Semelhante a PYCON KR 2017 - 구름이 하늘의 일이라면 (윤상웅) (20)

2021-11-16 모두콘 딥러닝 경량화 발표
2021-11-16 모두콘 딥러닝 경량화 발표2021-11-16 모두콘 딥러닝 경량화 발표
2021-11-16 모두콘 딥러닝 경량화 발표
 
딥러닝 세계에 입문하기 위반 분투
딥러닝 세계에 입문하기 위반 분투딥러닝 세계에 입문하기 위반 분투
딥러닝 세계에 입문하기 위반 분투
 
파이썬으로 익히는 딥러닝 기본 (18년)
파이썬으로 익히는 딥러닝 기본 (18년)파이썬으로 익히는 딥러닝 기본 (18년)
파이썬으로 익히는 딥러닝 기본 (18년)
 
한눈에 보는 머신러닝
한눈에 보는 머신러닝한눈에 보는 머신러닝
한눈에 보는 머신러닝
 
The bleeding edge of machine learning stream in 2017 - APAC ML/DS Community ...
The bleeding edge of  machine learning stream in 2017 - APAC ML/DS Community ...The bleeding edge of  machine learning stream in 2017 - APAC ML/DS Community ...
The bleeding edge of machine learning stream in 2017 - APAC ML/DS Community ...
 
Chapter 11 Practical Methodology
Chapter 11 Practical MethodologyChapter 11 Practical Methodology
Chapter 11 Practical Methodology
 
Things Data Scientists Should Keep in Mind
Things Data Scientists Should Keep in MindThings Data Scientists Should Keep in Mind
Things Data Scientists Should Keep in Mind
 
링크드인의 Big Data Recommendation Products - 어제의 데이터를 통해 내일을 예측한다
링크드인의 Big Data Recommendation Products - 어제의 데이터를 통해 내일을 예측한다링크드인의 Big Data Recommendation Products - 어제의 데이터를 통해 내일을 예측한다
링크드인의 Big Data Recommendation Products - 어제의 데이터를 통해 내일을 예측한다
 
스마트폰 위의 딥러닝
스마트폰 위의 딥러닝스마트폰 위의 딥러닝
스마트폰 위의 딥러닝
 
딥뉴럴넷 클러스터링 실패기
딥뉴럴넷 클러스터링 실패기딥뉴럴넷 클러스터링 실패기
딥뉴럴넷 클러스터링 실패기
 
Coding interview
Coding interviewCoding interview
Coding interview
 
Machine Learning with Apache Spark and Zeppelin
Machine Learning with Apache Spark and ZeppelinMachine Learning with Apache Spark and Zeppelin
Machine Learning with Apache Spark and Zeppelin
 
KERIS SW교육 연계 로봇 활용 심화과정 (중등)
KERIS SW교육 연계 로봇 활용 심화과정 (중등)KERIS SW교육 연계 로봇 활용 심화과정 (중등)
KERIS SW교육 연계 로봇 활용 심화과정 (중등)
 
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
[225]NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
 
Spark & Zeppelin을 활용한 머신러닝 실전 적용기
Spark & Zeppelin을 활용한 머신러닝 실전 적용기Spark & Zeppelin을 활용한 머신러닝 실전 적용기
Spark & Zeppelin을 활용한 머신러닝 실전 적용기
 
[오컴 Clip IT 세미나] 머신러닝과 인공지능의 현재와 미래
[오컴 Clip IT 세미나] 머신러닝과 인공지능의 현재와 미래[오컴 Clip IT 세미나] 머신러닝과 인공지능의 현재와 미래
[오컴 Clip IT 세미나] 머신러닝과 인공지능의 현재와 미래
 
머신러닝(딥러닝 요약)
머신러닝(딥러닝 요약)머신러닝(딥러닝 요약)
머신러닝(딥러닝 요약)
 
머신러닝으로 쏟아지는 유저 CS 답변하기 DEVIEW 2017
머신러닝으로 쏟아지는 유저 CS 답변하기 DEVIEW 2017머신러닝으로 쏟아지는 유저 CS 답변하기 DEVIEW 2017
머신러닝으로 쏟아지는 유저 CS 답변하기 DEVIEW 2017
 
Project anarchy로 3d 게임 만들기 part_3_움직여라 움직여
Project anarchy로 3d 게임 만들기 part_3_움직여라 움직여Project anarchy로 3d 게임 만들기 part_3_움직여라 움직여
Project anarchy로 3d 게임 만들기 part_3_움직여라 움직여
 
창발 세미나 - 머신러닝과 소프트웨어 개발
창발 세미나 - 머신러닝과 소프트웨어 개발창발 세미나 - 머신러닝과 소프트웨어 개발
창발 세미나 - 머신러닝과 소프트웨어 개발
 

PYCON KR 2017 - 구름이 하늘의 일이라면 (윤상웅)