728x90 머신러닝/LG Aimers5 [LG Aimers] <품질과 신뢰성> 2 - SPC의 필요성과 개념 해당 글은 LG에서 지원하는 LG Aimers의 교육 내용을 정리한 것으로, 모든 출처는 https://www.lgaimers.ai/입니다. SPC Feed-Back 공정관리 시스템 SPC Statical Process Control 공정에서 요구되는 품질이나 생산성 목표를 달성하기 위해 통계적 방법으로 공정을 효율적으로 운영해 나가는 관리 방법 장점: 결함 방지, 불필요한 공정 방지 단점: 데이터의 정확한 수집 필요, 관리도에 대한 올바른 분석과 조치 필요 SPC의 적: 품질변동 우연원인: 생산 조건이 엄격히 관리된 상태에서도 불가피한 품질변동 이상원인: 산발적으로 발생하여 품질변동을 발생시키는 원인 품질개선도구 Qc 7가지 도구: 적은 데이터로부터 가능한 한 신뢰성이 높은 객관적인 정보를 얻는 데 가.. 2023. 1. 8. [LG Aimers] <품질과 신뢰성> 1 - 품질 및 품질비용 해당 글은 LG에서 지원하는 LG Aimers의 교육 내용을 정리한 것으로, 모든 출처는 https://www.lgaimers.ai/입니다. 품질이란? 품질의 개념 전통적 품질: 규격에 부합하는 것 품질을 보는 5가지 관점 - 선험적: 품질을 정의할 수는 없더라도 무엇인지 고객이 인지, 선천적 우수성 - 제품: 바람직한 성분이나 속성의 함량 ex) 인상 - 사포닌의 함량, 겨울 내의 - 섬유의 짜임새가 촘촘 - 사용자: 용도 적합성 - 제조: 요구사항에 부항되는 정도 - 가치: 실제 용도와 판매 가격의 최적 상태 품질의 구성 요소 제품 특징: 시장 점유율의 확대, 가격 등 '판매 수익의 증대'에 기여하는 요소, 원가 상승 수반 무결함: 재작업, 폐기처분 감소 등을 통한 '원가 절감', 적합 품질이라 볼 .. 2023. 1. 8. [LG Aimers] <AI 윤리> 3 - 세계적인 데이터 과학자가 되는 방법 해당 글은 LG에서 지원하는 LG Aimers의 교육 내용을 정리한 것으로, 모든 출처는 https://www.lgaimers.ai/입니다. 데이터 사이언티스트의 소양 기존 산업에서 디지털 전환 데이터에 대한 호기심 이종 데이터의 결합은 혁신을 가져옴 ex) 서울 버스 노선 예측 - 기지국 데이터와의 결합 이종(heterogeneous) 빅데이터의 결합과 새로운 인공지능 기반 계산과학 방법의 적용으로 데이터 사이언스 기반 난제 해결, 정책결정 및 신규 산업 창출의 도약이 다가올 것을 기대 데일리 루틴 마크 저커버그 "매일 아침 일어나서 10억 명 이상에게 서비스할 수 있는 좋은 위치에 있는데 내가 무엇을 먹고 입는지에 대한 결정으로 잠시라도 고민하고 싶지 않다." 변화가 곧 생존 목표가 너무 낮으면 너무.. 2023. 1. 5. [LG Aimers] <AI 윤리> 2 - AI Ethics 해당 글은 LG에서 지원하는 LG Aimers의 교육 내용을 정리한 것으로, 모든 출처는 https://www.lgaimers.ai/입니다. AI 관련 윤리와 신뢰 문제 AI and Creativity GAN -> 창작 AI가 만든 첫 교향곡: Iamus - "Hello World" 저작권이 없는 예술의 시대 Copyright Issues 학습에 사용된 데이터를 제공한 사람에게도 혜택이 돌아가기 어렵다 창작자인 AI는 법적 권리를 제공 할 수 있는 법적 제도가 없다 현존하는 예술가의 스타일을 따라한 예술 작품을 만들 경우 상업적 피해를 준다 창작된 작품이 인간의 윤리적 규범을 따르지 않을 수 있다 아직은 창작물의 저작권은 인간의 고유권한으로 원숭이의 사진은 카메라 주인이 소유할 수 없음 인공지능의 작품 .. 2023. 1. 5. [LG Aimers] <AI 윤리> 1 - 데이터 분석과 AI학습에서 유의할 점 해당 글은 LG에서 지원하는 LG Aimers의 교육 내용을 정리한 것으로, 모든 출처는 https://www.lgaimers.ai/입니다. 데이터 처리 및 수집에서 윤리 이슈 데이터 해석 상관관계와 인과관계 구별하기 데이터 전처리 및 분석 도표에 Error bar 추가하기 적합한 통계 테스트 찾기 아웃라이어 제거하기 데이터 정규화하기 EDA(Exploratory Data Analysis) 충분히 하기 데이터의 양 100만 데이터는 있어야 충분히 학습 됨 하지만 모델의 용량이 부족하다면 언더피팅 모델의 용량이 데이터보다 크다면 오버피팅 학습 데이터와 테스트 데이터는 달라야 함 Black Box Algorithm 실제 사례에서는 성능 뿐만 아니라 설명력도 중요 사후 설명력 post-hoc explainab.. 2023. 1. 5. 이전 1 다음 728x90 반응형
