다양한 GPU에서 Tensorflow 성능과 비용 벤치마킹

학생부터 전문가까지 머신러닝 전문가는 자신의 작업을 GPU로 옮겼을 때의 효과를 잘 알고는 있습니다. GPU가 한개도 없으면 특정 작업은 단순히 컴퓨팅 능력이 부족하여 실현할 수 없게 됩니다. 그러나 사용 가능한 옵션을 선택하기에는 너무 혼란스럽습니다. 구매해야 하는지 임대를 해야 하는지 , 이렇게 했을 경우 얼마나 많은 성능과 비용을 기대할 수 있는지 알 수가 없습니다. 이를 염두에 두고 […]

머신러닝 적용을 위한 간단한 3단계 방법론

머신러닝은 일반적인 규칙이 도메인의 특정 관측 데이터로부터 학습되는 유도의 문제입니다. 특정 문제에 대해 데이터로부터 가장 잘 학습하기 위해 어떤 구현이나 알고리즘을 사용 하는지를 알기는 불가능합니다. 문제가 무엇인지 모르는 경우에는 머신러닝이 필요하지 않습니다. 그렇다면 주어진 문제에 대해 어떤 알고리즘을 사용해야 하는가의 문제는 시행 착오나 최상의 표현, 학습 알고리즘 및 알고리즘 매개 변수를 찾는 문제입니다. 가장 해석하기 […]

머신러닝을 위한 GPU

머신러닝 영역에서는 CPU보다는 GPU 사용을 강력히 추천한다. GPU는 수학과 과학 계산에 특화된 장치로, 매우 빠른 계산 속도를 보여준다. CPU는 직렬처리를 하지만, GPU는 병렬처리를 하므로 동일한 시간이라도 병렬처리하는 GPU의 수행속도가 훨씬 빠르다. 최신 CPU는 4코어, 8코어를 가지고 있지만, GPU는 수천 개의 코어를 가지고 있어 병렬로 처리했을 때 GPU는 동일한 시간에 수천 개 의 코어로, 수천 개의 […]

머신러닝 알고리즘의 모델

Generalized Linear Models (GLM) 정규 분포(normal distribution) 이외의 오차 분포 모델(error distribution model)을 갖는 응답 변수에 대한 일반 선형 회귀(ordinary linear regression)의 유연한 일반화. GLM에는 선형, 로지스틱, 푸아송(linear, logistic, Poisson) 등 다양한 통계 모델이 있습니다. Random Forest(DRF) 통계 샘플링 및 평균화의 강력함을 사용하고 의사 결정 트리(decision tree)를 사용하여 지도학습을 구축하는 강력한 앙상블 알고리즘(ensemble algorithm)입니다. Gradient […]