머신러닝

머신러닝 September 8, 2026 Lab

로컬 LLM 벤치마킹: 첫 응답, 생성 속도 및 메모리

첫 번째 답변 내용을 생성률 및 제어와 별도로 측정합니다. residency, caching and memory conditions.

Hands-on · 4 분 읽기 머신러닝 September 5, 2026

객체 탐지 및 의미론적 분할 기초 — 이미지에서 "무엇이 어디에 있는지" 파악하기

객체 탐지는 사물 주변에 상자를 그리고, 의미론적 분할은 의미에 따라 모든 픽셀에 색을 입힙니다. 이 둘의 차이점부터 인스턴스 분할과 파노라마 분할, R-CNN에서 YOLO, DETR, DINO로 이어지는 계보, 그리고 3D 포인트 클라우드 기반 알고리즘에 이르기까지, 장면 이해의 기본 원리를 체계적으로 살펴봅니다.

Fundamentals · 22 분 읽기 머신러닝 September 4, 2026

머신러닝 입문: 생성형 모델

생성형 모델은 데이터 분포를 표현하고 조건부 출력을 생성합니다. 가능성, VAE, GAN, 확산, 평가, 출처 및 안전성을 학습합니다.

Fundamentals · 7 분 읽기 머신러닝 September 4, 2026

머신러닝 입문: 기초 — 데이터 설계, 손실 함수 및 일반화

머신러닝은 단순히 모델 선택만이 아닙니다. 작업 정의, 데이터 분할, 손실 함수 설정, 평가 방법, 배포 변경 사항까지 모두 고려해야 합니다.

Fundamentals · 7 분 읽기 머신러닝 September 4, 2026

SegFormer 완벽 가이드 — 위치 인코딩이 없는 트랜스포머가 세그멘테이션에 효과적인 이유

본 논문은 NVIDIA, 홍콩대학교 및 공동 연구진이 NeurIPS 2021에서 발표한 SegFormer를 원 논문을 기반으로 분석합니다. 위치 인코딩이 없는 계층적 MiT 인코더, 파라미터 효율적인 All-MLP 디코더, 유효 수용 영역, 측정된 mIoU, 파라미터 개수를 살펴보고, B0에서 B5까지의 과정을 방정식으로 계산합니다.

Fundamentals · 15 분 읽기 머신러닝 September 4, 2026

YOLO11 심층 분석 — YOLOv8과 비교하여 C3k2 및 C2PSA는 어떻게 변경되었습니까?

공식 문서와 1차 자료를 사용하여 Ultralytics YOLO11을 분석합니다: C3k2, C2PSA, 앵커 없는 검출, DFL/CIoU 손실, 그리고 n/s/m/l/x에 대한 측정 벤치마크.

Fundamentals · 17 분 읽기 머신러닝 September 4, 2026

머신러닝 입문: 신경망 기초

신경망은 아핀 변환과 비선형 활성화 함수를 쌓은 다음, 역전파와 기울기 기반 최적화를 통해 손실을 줄입니다.

Fundamentals · 7 분 읽기 머신러닝 September 4, 2026

머신러닝 기초: 자세 추정

포즈 추정은 이미지로부터 사람이나 객체의 주요 특징점과 6D 포즈를 추론합니다. 이 입문 과정에서는 좌표, 손실, 가림 현상, 평가 및 안전성에 대해 다룹니다.

Fundamentals · 6 분 읽기 강화학습 September 4, 2026

다중 에이전트 강화 학습 입문 - 상대방도 학습하는 세상에서 최적화하기

여러 에이전트가 동시에 학습할 때, 단일 에이전트 MDP는 더 이상 성립하지 않습니다. 이 논문에서는 비정상성, 협력/경쟁/혼합 환경, CTDE, 크레딧 할당 문제, MADDPG 및 QMIX를 방정식과 도표를 통해 정리합니다.

Fundamentals · 13 분 읽기 강화학습 September 4, 2026

π0 설명 — 흐름 일치가 VLA 액션 생성 방식을 어떻게 변화시켰는지

Physical Intelligence의 π0에 대한 소스 기반 기술 가이드: PaliGemma VLM 및 전용 액션 전문가, 조건부 흐름 매칭을 통한 연속 액션 생성, 7가지 로봇 유형에 걸친 교차 구현 훈련, 그리고 RT-2 및 OpenVLA와 같은 자기회귀 VLA 모델과의 차이점.

Fundamentals · 16 분 읽기 강화학습 September 4, 2026

보상 설계 입문 — 강화 학습에서 "무엇을 극대화할 것인가"가 가장 어려운 이유

강화 학습 구현에서 보상 함수 설계는 알고리즘 자체보다 결과에 더 큰 영향을 미치는 경우가 많습니다. 이 글에서는 희소 보상과 밀집 보상, 포텐셜 기반 보상 설계의 정책 불변성, 보상 해킹의 실제 사례, 역 강화 학습, 그리고 제약 조건이 있는 강화 학습을 다룹니다.

Fundamentals · 13 분 읽기 강화학습 September 3, 2026

강화 학습 입문: 모방 학습과 역강화 학습

행동 복제, DAgger 및 역강화 학습은 보상을 설정하기 어려울 때 시연을 활용합니다. 이 입문 과정에서는 공변량 변화, 보상 추론, VLA 연결, 평가, 안전성 및 데이터 출처에 대해 다룹니다.

Fundamentals · 9 분 읽기 강화학습 September 3, 2026

강화 학습 기초 — MDP, 벨만 방정식 및 로봇 탐색

강화 학습은 에이전트가 관찰을 통해 행동을 선택하고 지연된 보상을 최대화하는 폐쇄 루프입니다. 이 입문서에서는 MDP, 가치 함수, 정책, 벨만 방정식, 탐색과 활용의 차이, 보상 설계, 그리고 시뮬레이션에서 실제 로봇 구현까지의 과정을 설명합니다.

Fundamentals · 10 분 읽기 강화학습 September 3, 2026

모델 기반 강화 학습 및 시뮬레이션에서 현실로의 전환

실제 기계를 위한 세계 모델, 예측 오류, MPC, 도메인 무작위화, 시스템 식별 및 안전 모니터링.

Fundamentals · 7 분 읽기 강화학습 September 3, 2026

정책 경사법, PPO 및 SAC — 로봇을 위한 안정적인 연속 제어

정책 경사(Policy gradients)는 조향, 추력 및 관절 토크가 연속적으로 유지되도록 정책을 직접 업데이트합니다. 이 글에서는 액터-크리틱(Actor-Critic), PPO 및 SAC를 연결하고, 클리핑, 엔트로피 정규화, 평가 및 시뮬레이션에서 실제 환경으로의 전송을 위한 안전 경계에 대해 다룹니다.

Fundamentals · 10 분 읽기 강화학습 September 3, 2026

Q-러닝과 DQN — Q-테이블에서 심층 강화 학습까지

Q-러닝은 벨만 최적성 목표를 사용하여 행동 값을 업데이트합니다. 이 입문서는 표 형식의 Q-테이블에서 심층 Q-네트워크에 이르는 과정을 따라가며 경험 재생, 목표 네트워크, 과대평가 및 로봇 스택에서의 안전한 배치에 대해 설명합니다.

Fundamentals · 10 분 읽기