BEPULJANG Creative Logs

운송용 (Cargo) 개인 모빌리티 (PM)를 예약하고 사용하기 위한 앱을 위해, MQTT를 사용해 통신하는 시스템을 개발한 사례. 안드로이드 앱과 MQTT 서버를 개발하여 제공하였다.시스템 구조[휴대폰 앱] - (QR Code) - [MQTT Server] - [개인 모빌리티 (MCU)]--------------- 개발 범위 --------------- MQTT란?MQTT(Message Queuing Telemetry transport)는 저대역폭 환경에서 M2M (machine to machine) 원격 측정을 위해 설계된 경량 발행-구독 메시징 프로토콜이다. 1999년 초기 버전이 IBM에서 만들어졌고, 2010년 8월에 무료로 오픈되었다. MQTT의 특징은 매우 단순한 형태, 간단한 저대역의 통신..

이전 글에서 언급했듯이, 디자인은 공예로부터 출발하였다고 여겨집니다. 디자인에게 주어진 첫 역할은 기능과 형태가 거의 완성된 디자인 대상물에 심미적인 요소를 더하여 상품성을 더 올리는 것이었는데, 이로 인해 디자인은 '제작 과정에서 장식을 더해 더 높은 값으로 판매하려 하는' 일종의 상술처럼 여겨지기도 했습니다. 물론 이 당시 기준으로는 그렇게 볼 수도 있었겠지만, 이것은 오래된 오해일 뿐입니다. 디자인의 역할과 개념이 더 발전하면서 디자인은 공정의 초기 단계로 점차 옮겨 참여하게 되었는데, '기능과 형태를 어떻게 정할지' 고민하는 역할로 그 지위가 점차 바뀌게 된 것입니다. 이는 소비자들이 점차 상품 구매 결정에 심미성을 중요하게 반영하기 시작했기 때문이었는데, 그렇게 보다 결정권을 가지기 시작한 디자..

스페큘러티브 디자인(Speculative Design)이라는 개념이 있습니다. '디자인(Design)'이라는 개념은 처음에 공예(Craft)로부터 출발했다고 여겨지는데요, 공산품에 예술을 더하는 공예의 개념에서 점차 공산품을 만드는 과정에서 예술을 생각하는 식으로 분화되어 나온 것이라고 할 수 있겠습니다. 그런 식으로 무언가의 공정에서 그 목적과 효율성에 맞춰 기획하고 조율하는 것으로 의미가 확장되어 오던 '디자인'에 추측, 전망을 뜻하는 '스페큘레이션(Speculation)'이 붙은 것이지요. 즉, 미래를 예측하고 전망하는 디자인을 뜻하는 개념인데, 사실 이 자체는 '디자인'이라는 개념에는 자연스럽습니다. 디자인은 원래 그 목적물의 사용자와 사용환경을 예측하고 사용 목적에 맞춰 효율화된 형태를 제공해왔..

k-NN 알고리즘(k-Nearest Neighbors)은 레이블이 지정되어 분류된 기존의 데이터 분포에 새로운 데이터를 배치시키면서 임의의 k값을 기준으로 근처에 위치한 데이터들이 갖는 레이블로 데이터를 분류하는 분류 방법이다. 일단은 레이블 개념이 등장하는 것부터 알 수 있듯이, 기본적으로 지도학습(Supervised Learning)에 속한다.그런데 분류하는 방법은 위에서 설명한 바와 같이 비지도학습인 군집분석(clustering)과 유사한 방식을 취한다. 즉 특별히 어떤 학습을 거치지 않고 마치 군집화하듯이 데이터 간의 거리를 계산해 그 분포로 데이터를 파악하는데, 이러한 접근이 '비지도학습적'으로 느껴질 수 있어 비지도학습으로 분류하거나 준지도학습(Semi-supervised)으로 따로 보려는 접..

통계에서 means는 의미가 아닌 '평균'을 의미하는 말로, K-means의 means 역시 이름을 보면 평균을 활용하는 군집분석(Clustering)일 것임을 알 수 있다. 그렇다면 K-는 무엇일까? 일반적으로 K-라는 말이 상징하는 수많은 단어들이 떠오르지만, 사실 여기에서 K는 큰 의미가 없이 단지 미지수 x나 정해지지 않은 숫자를 표현할 때 주로 사용되는 n과 같은 의미이다, 일상에서는 이러한 경우에 n이 더 많이 사용되지만, 수학이나 알고리즘에서는 k가 많이 사용되는 것이 그 이유라고 할 수 있다.즉 이 방법의 이름을 정리하면 K개의 평균으로 군집화하는 분석이라고 설명할 수 있다.그래서 K-means Clustering의 가장 첫 번째 절차는 몇 개(k)의 군집을 만들 것인지를 정하는 것이다. ..

회귀 등의 방법을 통해 일반적으로 데이터를 분류하는 방법들은, 각 데이터의 분류를 확률적으로 계산하여 그 소속 여부를 결정한다. 즉, 확률에 대한 어떤 특정한 임계값을 넘는지 못넘는지에 따라 분류 여부를 판단하는 방식으로, 각 데이터가 특정 클래스에 속할 확률을 계산함으로써 분류가 실패할 확률(에러율)을 줄이는 쪽으로 학습을 진행한다. 이는 처음부터 분류 자체를 목적으로 한다기보다는, 데이터가 가까운 쪽의 클래스로 분류됨으로써 자연스럽게 분류가 완성되는 것이다.서포트 벡터 머신(Suppor Vector Machine)은 이러한 방법들과 다르게 분류 자체를 목적으로 두고 데이터 간의 거리를 계산하여 그 사이의 가장 여백(margin)이 큰 경계를 찾는 방식으로 데이터 간에 경계를 나누면서 학습을 진행한다...

확산(Diffusion)이란, 자연 현상에서 무언가 다른 두 물질이 만나 서로 동화되며 섞여가는 과정을 의미한다. 이 때 원래 각각의 물질로서 높은 순도를 가지고 있던 두 물질은 순도가 낮아지고 동화된다. 예를 들어 커피에 우유를 섞으면 처음에는 각각 높은 순도의 커피와 우유였던 두 물질이 점차 서로에게 동화되며 커피와 우유로서의 순도는 낮아지게 된다. 커피가 우유로, 우유가 커피로 확산되면서 높은 엔트로피에서 낮은 엔트로피로 흐르는 것이다.인공지능에서 말하는 '확산 모델'도 이러한 과학에서의 확산 개념과 무관하지 않은데, 학습 과정에서 마치 확산을 시키듯 데이터를 자연 속에 확산시키면 잘 정돈되어있던(High Entrophy) 생성물의 순도는 낮아지게 될 것(Low Entrophy)이다. 즉, 풍화나 ..

이전 글에서 인공신경망(ANN; Artificial Neural Network)을 공부하면서 입력받은 데이터에 따라 은닉층(Hidden layer)의 가중치를 조정하여 학습하는 인공지능 학습에 대해 살펴본 바 있다. 자기 조직화 지도(SOM; Self Organizing Map) 역시 이와 같이 데이터에 맞춰 각 노드가 가중치를 조정하는 한 방법인데, 오늘은 이에 대해서 공부해보았다.여러 방법론을 공부하다 보면 '지도(Map)'라는 단어를 만나는 경우가 꽤 많은데, 보통 방법론에서 지도라는 단어를 말할 때는 X축과 Y축의 2차원 도식으로 표현이 가능한 경우가 많다. '사용자 여정 지도'나 '사용자 행동 지도'와 같은 경우가 그러하다. 이 '자기 조직화 지도' 역시도 마찬가지인데, 매우 고차원적인 특징(F..

의사결정나무(Decision Tree)는 원본 데이터로부터 필터링을 거쳐 순도가 높은 데이터 그룹을 추출해가는 과정이다. 원본 데이터는 다양한 성질(불순도; Impurity)을 가지고 있기 때문에 목적에 맞게 사용하려면 적절한 분류와 그룹화가 필요한데, 이 과정을 시각화하면서 정리하는 방법이 의사결정나무이다.의사결정나무는 뿌리마디로부터 줄기마디(중간마디), 잎마디(끝마디)의 순으로 '성장'하는데, 이 과정을 가지치기(pruning)라고 한다. 이 도식은 실제 나무와는 달리 위에서부터 아래로 자라는 형태로 표현되는데, 상위노드는 '부모마디'가 되며 하위노드는 '자식마디'가 된다. 그리고 뿌리마디를 제외한 잎마디까지의 전체 마디수가 '깊이(Depth)'가 된다.좋은 의사결정나무는 좋은 분할(가지치기)로부터 ..

R에서 쓰이는 정규 분포 관련 기능에 대해 공부한 내용을 정리해 본다. 먼저 정규분포(Normal Distribution)란, 고등수학에서 배우듯이 하나의 꼭지를 중심으로 좌우로 대칭되는 종형의 분포를 의미한다. 엔트로피(Entrophy)를 최대화하는 분포로, 특별한 외력이 가해지지 않은 대수의 영역에서 자연적으로 관찰되는 분포이기 때문에 많은 경우에 기준으로 삼게되기도 한다.  R 역시 이 정규분포와 관련된 기능들을 제공하고 있는데, 아래의 4가지가 있다. 뒤의 norm 외에는 한 글자씩이고 헷갈리기 쉬운 기능들이라 따로 정리해본다. 먼저 공통적으로는, mean(평균)과 sd(표준편차)가 따로 설정되지 않으면 표준정규분포의 기본값인 0 / 1로 각각 설정된다는 점이다. dnorm : Density Fu..