edcrfv458 님의 블로그

downtime_risk에 따른 분석0인 그룹, 0과 1 사이의 그룹, 1인 그룹으로 분리a: 0인 그룹b: 0과 1 사이의 그룹c: 1인 그룹각 그룹의 유지 보수 필요 여부 수 확인a는 필요 없는 수 80303, 필요 있는 수 10781b는 필요 있는 수 12c는 필요 있는 수 8904각 그룹에 대해 온도, 진동 등 개수를 확인 온도나 진동이 높을 떄 downtime_risk가 1이 될 확률이 클 것이라고 가정온도와 진동이 downtime_risk와 양의 상관을 가짐그렇다면 downtime_risk가 0인데 유지보수가 필요한 경우는 어떠한 경우일까downtime_risk가 0이고 maintenance_required가 1인 데이터만 추출그럼 전체 데이터에서 machine_status를 확인downtim..

목차AutoEncoder (LSTM AE)Derivative (기울기, 변화량) 기반 탐지Moving Average + Change Point DetectionVariance-based RuleGuassian Tail ProbabilityDBSCAN  AutoEncoder입력 데이터를 압축했다가 다시 복원하는 신경망 구조입력 ➡️ 잠재공간(압축) ➡️ 출력(복원)복원오차(reconstruction error)를 통해 이상 여부 판단 이상 탐지 흐름정상 데이터만을 이용해 LSTM Autoencoder 학습모델은 정상 패턴만 학습이후 어떤 입력을 넣고 복원했을 때오차가 작으면 정상오차가 크면 이상으로 판단 Derivative (기울기, 변화량) 기반 탐지값 자체가 아니라, 변화량에 이상 탐지 적용급격한 변화..

목표UltralyticsYOLOv8파라미터YOLO v8 casting 실습  UltralyticsYOLO 시리즈 개발과 배포 담당하는 AI 비전 전문 기업YOLOv5 ~ YOLOv8 Ultralytics에서 개발하고 ㅇ쥬ㅣ보수# pip install ultralyticsimport ultralyticsultralytics.checks() 장점다양한 Task 지원: Detect, Classify, Segment, Pose 전부 지원배포 편의성: ONNX, TensorRT, CoreML 등 Export 지원문서 & 튜토리얼: https://docs.ultralytics.com/지속적 업데이트: YOLOv8 이후도 꾸준히 유지보수됨 YOLOv8완전한 Ultralytics 내부 구조로 리디자인detect, cl..

목표딥러닝 기본 개념대표적인 딥러닝 아키텍처딥러닝 적용 분야최신 AI 트렌드강화학습 1. 딥러닝 기본 개념 역사와 발전1940 ~ 50 년대 초창기 뉴런을 단순 모델로 삼아 연구 시작퍼셉트론의 단층 구조 ➡️ 다층 퍼셉트론(MLP) ➡️ 딥러닝(Deep Neural Network)딥(Deep): 입력 계층과 출력 계층 사이에 여러 개의 은닉층을 두어 복잡한 패턴까지 학습 가능데이터의 컴퓨팅 파워, 알고리즘 발전으로 딥러닝이 급성장 핵심 아이디어계층적 특징 학습사람 얼굴 인식을 예로 들면 초기 은닉층에서는 선, 모서리, 곡선 등을 잡아내고더 깊은 층에서는 코, 눈, 입 등 구체적 특징을 학습하며마지막에는 얼굴 전체를 인식비선형 변환을 반복 적용많은 은닉층이 비선형 활성화 함수를 통해 데이터를 변환하면서 복..

목표YOLOv8 & COCOYOLO 계열 모델 이해One-Stage Detector (YOLO) 특징COCO 사전학습 가중치 활용실습YOLOv3 설치 및 CLI 사용웹캠 실시간 객체 검출 (OpenCV로 영상 추출 ➡️ YOLO 추론 ➡️ 결과 표시) 컴퓨터 비전 이미지셋 종류목적에 따라 사용하는 데이터셋이 달라짐 MS COCOObject detection에 필요마이크로 소프트에서 생성한 이미지 데이터셋32만장, 80개의 클래스ImageNet: Iconic한 문제 해결하기 위해 제안된 복잡한 이미지Iconic 함(이미지 내 객체 수가 적고, 중앙에 위치)Bouding Box와 함께, 인스턴스 세그멘테이션(Mask), 키포인트(Keypoints) 등 다양한 라벨 지원 Pascal VOC영국 서리 대학교가 ..

스마트 팩토리 데이터 분석데이터 호출, 각 컬럼 확인object 타입의 날짜 컬럼 datetime 타입 변경1/1 분석센서 값을 시계열을 이용해 표현anomaly_flag이 0인 경우와 1인 경우를 kde plot으로 비교anomaly_flag는 온도와 진동의 극단값 여부1인 경우 온도와 진동에서 튀는 값이 보임humidity, pressure, energy_consumption은 비슷한 패턴유지보수 예상 시간이 짧음기계 고장 확률이 1에 가까운 값에 많음0인 경우에도 유지보수 필요한 경우가 존재failure_type이 normal인 경우와 아닌 경우 분리failure_type은 고장의 원인success_data : normal인 경우failure_data : normal이 아닌 경우failure_typ..

목표이상 탐지주요 알고리즘의 원리 및 활용 방법산업별 사례 1. 이상 탐지(Anomaly Detection)데이터에서 정상 패턴과 크게 다른 행위 보이는 특이한 패턴을 찾는 기법 필요한 이유금융 사기: 카드 사기, 계좌 해킹 등으로 인한 금전적 손실을 미리 막기 위해제조업: 생산 라인이나 기계 설비에서 발생하는 고장을 사전에 예측하여 유지보수 비용 절감, 다운 타임 최소화보안: 네트워크 침입 시도나 데이터 탈취 등을 빠르게 감지 이상치 탐지(Outlier Detection)와의 차이이상치 탐지는 단순히 통계적으로 극단값을 찾는데 초점을 둔다평균에서 크게 벗어난 데이터 포인트이상 탐지는 단순 극단값 뿐만이 아닌, 맥락이나 시계열 상의 패턴을 함께 고려해 비정상 인지를 판단시간적 흐름이나 주변 맥락, 다른 ..

목표차원 축소의 필요성PCA 개념과 절차비선형 차원 축소(t-SNE, UMAP) 1. 차원 축소의 필요성 고차원 데이터데이터의 피처(변수)가 매우 많은 상황예컨대 이미지 데이터의 경우, 한 장의 이미를 구성하는 픽셀 수만큼 피처가 존재할 수 있음 문제 상황모델 학습 시 연산 복잡도가 급증하여 시간이 오래 걸림많은 피처들 중 일부는 실제로 중요한 정보를 주지 못하는 노이즈 일 수 있음차원이 너무 높아지면 데이터를 시각화하기 어려워 패턴 파악이 힘듦 차원 축소의 장점노이즈 제거로 모델 성능 및 일반화 능력이 개선2차원이나 3차원으로 축소하면 시각적으로 직관적인 분석이 가능데이터의 핵심 구조나 패턴을 더 쉽게 발견 가능 2. 차원 축소 기본 개념 선형 차원 축소 vs 비선형 차원 축소선형 차원 축소(PCA가 ..

주파수주파수란 1초 동안 반복되는 신호(파동)의 횟수단위는 헤르츠(Hz)즉, 1초 동안 신호가 몇 번 반복되는지 나타내는 값 주파수의 개념 (시간 vs 주파수)시간 도메인 신호시계열 데이터는 시간에 따라 변화하는 신호진동 센서 데이터, 마이크 소리 데이터, 전기 신호 등주파수 도메인 신호하지만 신호는 여러 개의 주파수 성분으로 구성됨가속도 센서(진동 데이터)라고 가정기계는 보통 여러 개의 부품으로 구성되어 있음모터, 팬 회전, 진동 발생, 외부 환경 영향(진동으로 인한 바닥 진동)우리가 보는 복잡한 신호도 사실 여러 개의 단순한 주파수(정현파)들이 합쳐진 것FFT(푸리에 변환)을 사용하면 어떤 주파수 성분이 포함되어 있는지 분석할 수 있음 주파수 단위와 의미주파수 (Hz)의미1 Hz1초에 1번 반복되는 ..

목표Object Detection 개요분류 vs 검출의 차이Bounding Box, IoU(Intersection over Union), NMS(Non-Max Suppression) 개념R-CNN 계열 (2-stage) vs YOLO/SSD (1-stage) 모델OpenCV 기초이미지 입출력, 색공간 변환, 도형 그리기실습동전 이미지에서 원 검출 (Contour/Hough Circle)동전 크기별 금액 계산 후 시각화 Object Detection 이미지 분류(Classification) vs Object Detection이미지 분류: 이미지가 어떤 객체인가Object Detection: 어디에 어떤 객체가 있는가 Object Detection 특징전처리 (Pre-processing)특징 추출 (Feat..