Human Learning

<지적 대화를 위한 넓고 얕은 지식1>을 읽고서

ajdanddl — Sat, 25 Mar 2023 22:46:14 +0900

신선하게 다가왔던 점들

1.전쟁과 유행의 공통점

공급 과잉으로 인해 발생하는 문제들을 빠르게 해결해줄 수 있는 것들이다. 이 책에서도 자본주의가 유지될 수 있는 이유는 전쟁과 유행이 존재하기 때문이라고 한다. 전쟁은 창고에 쌓여있던 구두, 옷, 생필품들을 빠르게 소진시켜줄 것이고 유행은 굳이 쓸모없는 소비를 늘려줌으로써 재고들을 소진시켜줄 것이다. 그런 의미에서 유행이 필요한거구나.. 어쩌면 인스타나 페이스북 혹은 다양한 매체들은 자본주의에서 필수부가결한것이 아닐까 라는 생각도 들었다. 그리고 한편으로는 유행심리도 궁금해지게 되었다. 왜 인간은 유행을 타는걸까? 어떤 조건이 성립해야 유행을 탈 수 있는걸까? 유행은 인간들에게서만 존재하는 것일까? ~~동물들은 그런거 없나?~~ 라는 생각이 든다.

그 둘 사이의 공통점이 있다는게 논리적 비약 같기도 하고 한편으로는 또 말이 되는 것 같기도 하다는 생각이 들었다.

이해가 되지않았던 역사적 흐름들

책을 읽다보면 가끔 (내 입장에서는) 이해할 수 없는 흐름들이 등장하고 그리고 그것이 실제 인류 역사에서 벌어졌던 일이라는것이 충격적이었다.

1.신의 등장

첫번째는 생산수단이 등장하고 생산수단을 소유한 사람과 소유하지 않은 사람 간의 계급차이가 생겼을때 소유자가 이러한 차이를 정당화하기 위해 제시한 개념이 '신'이라는 것이다.

사실 좀 뜬금없다는 생각이 들었다. 이걸 정당화하기 위해 논리적으로 설득을 한것도 아니고 서로 합의를 본것도 아니고 아니면 심지어 협박을 한것도 아니고 갑분 '신'을 제시했다는게 신기했다. 그리고 이런 흐름이 생산수단을 소유하지 않은, 피지배층에게 먹혔다는 사실도 놀라웠다.

어쩌면 지금이야 이 모든 세상이(혹은 자연현상이) 과학을 밑바탕으로 돌아가고 있다는 사실을 알고있기 때문에 그러한 흐름이 생겼다는게 이해가 되지않는 것일 수도 있겠다.

2. 원주민 지배(식민지화)

이해가 되지 않는 흐름 두번째. 참 인간은 악랄한 존재인것 같다라는 생각이 든 부분이기도 하다. 아니 어떻게 이렇게 악랄한 생각을 할 수 있는거지?라는 생각이 들었던 부분이다.

자본주의 시대가 도래하고 공급>>>수요가 되는 상황이 펼쳐짐에 따라 해결책이 2가지가 등장한다.
1.공급 줄이기
2.수요 늘리기
그 중 공급 줄이기 보다는 더 이득이 되는 수요 늘리기의 해결책을 선택하게 되고 그 시장 타겟층이 바로 원주민이 된 케이스이다. 그런데 자연에서 자급자족하고 있는 원주민들에게는 막상 제조품들이 필요없으니 강제로 원주민들을 협박하고 사살에서 제조품들의 사용을 강요하고, 또 그러한 제조품들의 원재료들을 원주민들의 것에서 강탈하고.. 이것 참 양심없고 ~~양아치다~~ 라는 생각이 들었다.

궁금한 점들

1.미,러,독의 대공황 해결방식 차이의 배경

책에서는 미국, 러시아, 독일의 대공황 해결방안을 각각 어떻게 했는지 보여주고 있다.
미국은 뉴딜정책과 같이 정부가 자본주의에 개입하는 자본주의의 수정을, 러시아는 자본주의의 폐기와 동시에 공산주의의 도입을, 독일은 자본주의의 유지와 동시에 홀로코스트(미친선택. 얘도 이해할 수 없는 것 중 하나여서 위에 넣을까 했지만 그 배경을 비교적 책에서 자세하게 설명해주고 있어서 넣지 않았다.)를 했다고 정리하고 있다.

왜 3개의 국가는 이렇게 서로 다른 선택을 하게 된 것일까? 이렇게 서로 다른 결론을 내리게 된 세 나라의 역사적 배경이 궁금해졌다. 어떤 책을 읽으면 좋을까?

다음에 역사와 관련된 책도 읽어볼 것 같다.

인상깊었던 구절

생각해보면 세계의 모든 언어가 주어와 술어의 형태를 띠고 있는 것은 이 우주 자체가 존재자와 그 상태로 되어 있기 때문일 수 있겠다.

=> 언어의 구조를 과학적인 사실과 엮어서 분석한 것이 인상 깊었다.

윤리적 판단은 실제 세계가 어떠한지와는 무관하게 독립적으로 존재하는 것이다.

=> 예를들어 모든 사람이 거짓말을 한다고 해서 나도 거짓말을 할 필요는 없다는 것이다. 하지만 반대로 윤리적 판단을 내릴 때 현실상황을 전혀 고려하지 않아도 된다고 한다면 윤리는 왜 필요한 것일까? 라는 반문이 생길 수 있다.

[Ch5 - 1] 머신러닝이란?

ajdanddl — Sat, 25 Mar 2023 21:40:50 +0900

What is Machine Learning?

머신러닝을 한마디로 정의하자면, 복잡한 함수를 측정하기 위해 컴퓨터를 이용하는 applied statistics의 형태이다.

그리고 이러한 statistics에 대한 2가지 주요 접근방식이 존재한다.

1. Frequentist estimators

2. Bayesian inference

Bayesian 과 Frequentist의 차이는 결국 확률을 해석하는 관점의 차이에서 발생한다.

Frequentist는 확률을 사건의 빈도로 보며, Bayesian은 확률을 사건 발생에 대한 믿음 또는 척도로 바라보는 관점이다.

예시를 통해 그 직관을 이해해보자.

" A의 말이 사실일 확률은 70%이다 "

Frequentist 관점 : A는 100번 중 70번 사실을 말한다.

Bayesian 관점 : A의 주장이 사실일 가능성(신뢰도)가 70%이다.

더 자세한 설명을 원한다면 아래 Reference 에 달아놓은 링크를 참고하면 될 것 같다.

머신러닝에는 크게 2가지의 카테고리가 존재하며 이들은 supervised learning과 unsupervised learning으로 나뉜다.

각각을 요약하자면, unsupervised learning은, random vector(random variable in vector form) $\mathbf{x}$의 여러 example들을 관찰하고 implicit 혹은 explicit한 방식으로 probability distribution $p(\mathbf{x})$를 알아내는 것 혹은 그 distribution의 흥미로운 성질을 알아내는 것을 말한다. 반면 supervised learning은 random vector $\mathbf{x}$를 관찰하여 그와 연관된 값 혹은 vector $\mathbf{y}$를 측정하려고 하는 것을 말한다. 즉, $\mathbf{x}$에서 $\mathbf{y}$를 예측하는 것을 학습하는 것을 의미한다.

Unsupervised learning과 Supervised learning은 formal하게 정의된 개념이 아니므로 종종 그 둘 사이의 선이 불명확해질 때도 존재한다. 많은 머신러닝 기술들은 2가지를 동시에 수행할 수 있게 되는데 그에 대한 예시로 vector $\mathbf{x}\in\mathbb{R}^n$에 대한 joint distribution은 다음과 같이 분해되어 작성될 수 있다.

$$ p(\mathbf{x})=\prod^n_{i=1}p(x_i|x_1,\ldots,x_{i-1}) $$

위 식의 의미는 곧 우리는 $p(\mathbf{x})$를 modeling하는 unsupervised problem을 n개의 supervised learning problems로 분해할 수 있다는 의미가 된다. 다른말로 우리는 joint distribution $p(\mathbf{x},y)$을 학습하는 unsupervised learning을 통해 $p(y|\mathbf{x})$를 학습하는 supervised learning 문제 또한 알아낼 수 있다는 이야기가 된다.

$$ p(y|\mathbf{x})=\frac{p(\mathbf{x},y)}{\sum_{y'}p(\mathbf{x},y')} $$

그리고 대부분의 딥러닝 알고리즘들은 stochastic gradient descent라는 optimization algorithm에 기반한다.

머신러닝을 다음과 같이 task, performance measure, task로 정의하는 것도 존재한다.

A computer program is said to learn from experience E w.r.t some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E. - T.Michell 1997

한마디로, 컴퓨터는 T에 속하는 tasks와 그 task에 대한 performance를 측정하는 P가 경험 E에 따라 향상되게 된다면 컴퓨터는 학습한다고 이야기할 수 있다는 것이다.

T,P,E에 대한 자세한 설명은 생략하겠다.

Reference

Deep Learning Book

https://www.deeplearningbook.org/

Deep Learning

What is the best way to print the HTML format? Printing seems to work best printing directly from the browser, using Chrome. Other browsers do not work as well.

www.deeplearningbook.org

Bayesian vs Frequentist

https://learning.edanz.com/frequentist-bayesian-statistics/

Frequentist vs. Bayesian Statistics – Which should you use? | Edanz Learning Lab

Frequentist vs. Bayesian is an ongoing debate in modern statistical analysis. Here's a guide on the topic for all levels of researchers.

learning.edanz.com

Diffusion on Graph 설명

ajdanddl — Wed, 8 Mar 2023 21:31:21 +0900

What is Diffusion?

Diffusion(확산)이란 위키피디아의 정의에 따르면 다음과 같이 정의된다.

확산(Diffusion)은 액체나 기체에 다른 물질이 섞이고 그것이 조금씩 번져가다가 마지막에는 일률적인 농도로 바뀌는 현상이다.

물 속에 잉크를 떨어뜨렸을 때 시간이 지나면 지날수록 점점 퍼지는 현상을 생각해볼 수 있을 것이다. 위 정의를 다시 따와서 해석해보면 액체에 잉크가 섞이고 그것이 조금씩 번져다가 마지막에는 일률적인 농도로 바뀌는 현상이다.

Diffusion on 1-D

이제 정의를 알아봤으니 예시를 통해 좀 더 자세히 생각해보자.

1차원 공간에서의 diffusion을 생각해보자.

위와 같이 L의 길이를 가지는 막대가 존재한다. 여기서 막대의 어떠한 위치에 불을 지펴서 열을 가해준다고 가정하자. 이때 시간이 지남에 따라 막대의 온도 변화는 어떻게 나타날까?

$u(x,t)$가 $t$시점에서 막대의 $x$ 지점에서의 온도(혹은 확산하는 물질의 concentration. 지금의 경우에는 열이 확산하는 것이라고 생각해볼 수 있다.) 그러면 다음과 같은 Diffusion Equation으로 막대의 온도 변화를 정의할 수 있다.

$$ \frac{\partial u}{\partial t}=D\frac{\partial^2 u}{\partial x^2} $$

이때 D는 diffusion rate라고 하는 coefficient이다. 이와 같은 Equation은 initial value와 boundary condition 역시 제공해줘야 한다.

식을 해석해보자면 시간에 따른 온도변화량은 point에 대한 2차미분 즉, 어떠한 point에서 자기 주변값의 평균값과의 차이에 비례한다는 이야기가 된다. 예를 들어 생각해보면 t시점에서 어떤 point의 다음 t+1 시점에서의 온도변화는 주변값의 온도에 따라 정의된다는 것이다. 주변 지점의 온도가 높으면 t+1시점에서 어떤 point의 온도는 상승할 것이고, 반대면 하강할 것이다.

위 식을 더 높은 차원으로 일반화해서 생각해보면 아래와 같이 Laplacian operator($\nabla$)를 이용해서 정의해줄 수 있다.

$$ \frac{\partial u}{\partial t}=D\nabla^2 u $$

만약 3차원의 경우 Laplacian operator는 다음과 같이 정의된다.

Diffusion on Graph

이제 이러한 diffusion을 Graph domain에서 생각해보자.

어떠한 diffusing substance(e.g. 열)가 graph 의 edge를 따라서 움직인다고 생각해보자. 즉, node에서 node로 가는 것이라고 생각해보자. 이렇게 되면 domain은 continuous하지 않고 discrete한 domain이 된다.

c가 edge에서의 diffusion rate라고 생각해보자.

$c(u_j-u_i)dt$ : time period dt동안 j → i 로 가는 substance의 양
$c(u_i-u_j)dt$ : time period dt동안 i → j 로 가는 substance의 양

다시 말해 아래와 같이 수식으로 정리할 수 있다.

이때 node i에서 시작하는 그리고 i로 가는 diffusion을 고려하기 위해서는 다른 노드들도 고려해야되는데, 이때 그래프의 connectivity가 adjacency matrix에 연결되어있으므로 이를 이용하여 node i와 연결된 node들을 고려해주는 diffusion 식을 작성하면 아래와 같다.

이를 다시 작성하게 되면,

이제 Kronecker delta인 $ \delta_{ij} $를 써서 식을 다시 정리해보면,

아래와 같이 작성해줄 수 있다.

즉, $cu_id_i$ 와 같이 $i$ 노드에 대한 표현식을 이웃노드인 $j$ 노드에 대한 표현식으로 바꿔 써줄 수 있다.

그리고 여기서 조금 더 정리를 해주면 $u$를 $n$차원의 벡터로 놓고, Degree matrix를 $n\times n$ matrix로 생각해보면,

n차원의 u벡터, n x n 차원의 Degree matrix

아래와 같이 좌항과 우항을 정리해줄 수 있다.

따라서 최종 식을 다시 아래와 같이 matrix multiplication 꼴로 정의해줄 수 있게 된다.

최종 식을 보면 어딘가 익숙한 식이 보이지 않는가? 바로 Graph Laplacian Matrix ( $L=D-A$ )가 보이게 된다.

항상 Graph Laplacian Matrix는 왜 $D-A$로 정의될 수 있는가가 궁금했었는데 그 이유 또한 이번 글을 정리하면서 알 수 있게 되었다.

Reference

https://www.math.fsu.edu/~bertram/lectures/Diffusion.pdf

[ AI 대학원 준비 후기 #2 ] 2차 시험 (면접 / 시험)

ajdanddl — Tue, 7 Mar 2023 23:48:51 +0900

AI 대학원 준비 후기 #1 서류전형 에 이어서 쓰는 글입니다.

이번 포스팅에서는 카이스트와 포스텍 AI 대학원의 2차 전형에 대해 알아보겠습니다.

카이스트 : 온라인 면접

카이스트의 경우 온라인 면접을 보게 됩니다.

면접의 경우 서류 전형의 결과에 따라서 면접의 난이도가 달라지게 된다고 합니다. (이는 카이스트 입학설명회 시 오피셜로 언급된 사항입니다.)

면접 조

서류 전형을 통과하게 된다면 면접 조가 나오게 되는데요. A,B,C,D 이런 식으로 알파벳으로 조가 나뉘게 되는데 A조가 서류 우수자 조다~ B조가 서류 우수자 조다~ 하는 이야기가 나오는데 제가 내린 결론은 그런거 없었습니다.

조가 달라지면 면접관으로 참여하시는 교수님이 달라지시는 건 맞지만 동일 조에 있더라도 인성면접을 보는 사람도 있고 혹은 전공 지식을 물어보는 경우도 있습니다.

면접 준비 과정

저의 경우 스터디를 하여 면접 대비 질문들을 서로 뽑고 대답해보는 식으로 준비하였습니다.

학교에서 같이 카이스트 AI 대학원을 준비하는 사람들을 찾아서 준비하기도 했고 이외에 김박사넷이나 AI대학원 단톡방을 통해 스터디를 구할 수 있었습니다.

사실 스터디가 면접 준비 과정에 있어서 크게 도움이 되지는 않았던 것 같습니다. 그치만 같이 준비하는 사람들의 스펙, 준비 얼만큼 하셨는지 등등 이야기를 나누며 마음의 위안(?)을 얻을 수 있었던 것 같습니다.

사실 면접 준비는 혼자서 충분히 할 수 있을 것 같습니다. 만약 우수성입증자료에 논문을 제출하신게 있다면 그 논문에 대한 질문은 거의 99% 들어온다고 생각하시면 될 것 같습니다. 이외에는 일반적인 AI 기초에 관한 질문을 한다고 합니다.

컨택

카이스트가 사전 컨택이 안된다고는 하지만 다들 메일로 사전 컨택은 드리는 편인 것 같았습니다. 저의 경우 포스텍이 1순위여서 컨택을 드리지 않았지만.. 인기랩의 경우 면접 전에 컨택이 기본적으로 다 되어있다고 보시면 됩니다.

면접까지 통과하고 최종합격을 하게 되면 교수님별 실시간 TO 현황표를 받을 수가 있는데요 사실상 의미없는 숫자라고 생각되었습니다. TO가 남아있는것처럼 보여도 이미 자리가 다 찬 경우가 대부분이었으니 사전컨택은 사실상 필수라고 생각되어집니다.

포스텍 : 오프라인 시험

포스텍의 경우 오프라인 시험을 보게 됩니다.

컴공과 인공지능 2개의 과로 나누어서 지원을 하게 되는데, 2개의 과가 서로 보는 시험 과목이 다릅니다.

저의 경우 인공지능대학원으로 지원하여 기초수학과 알고리즘 시험을 보았습니다.

참고로 컴퓨터공학의 경우 온라인으로 시험을 치고 인공지능의 경우 오프라인으로 학교에서 시험을 쳤다고 합니다.

시험 준비 과정

기초수학 : 교재 PDF

기초수학은 의 Part I을 시험으로 칩니다. 공부할 때는 역시 스터디를 이용해서 문제를 풀어보는 식으로 준비하였으며 솔루션은 구글링을 통해 쉽게 찾을 수 있었습니다. 실제 시험에서도 그리 어렵지 않은 수준의 문제들로 나왔으며 제가 시험을 쳤을 때는 optimization 쪽이 꽤 큰 비중을 차지했었습니다.

Solution

https://github.com/ilmoi/MML-Book

알고리즘 교재 PDF

알고리즘은 - Sanjoy 책으로 시험을 보게 됩니다. 사실 공부할 때 조금 막막했던 부분이 있었습니다. 챕터별 연습문제 양이 꽤 되었고 solution을 찾기 쉽지 않았습니다. Solution의 경우 결국 chegg를 통해 찾아서 공부하였습니다.

제가 시험을 칠 때는 연습문제보다는 차라리 실제 PS 공부하는 것처럼 했으면 더 좋았을텐데 싶은 생각이 들었습니다. 왜냐하면 짧은 시험 시간 내에 어떤 조건을 만족하는 수행 코드를 짜라는 문제가 나오기 때문입니다. pseudo-code 형식으로 손으로 코드를 짜보는 연습을 해보시는게 도움이 많이 될 것 같습니다.

총 느낀 점

입시를 하며 느낀 점은 컨택과 인턴 경험이 매우 중요하다는 것이었습니다. 카이스트 역시 사전 컨택 혹은 인턴 경험이 없으면 인기랩의 컨택은 매우 힘들다고 느꼈고 포스텍의 경우도 사실 마찬가지라고 생각되어집니다.

저의 경우에도 포스텍 인턴을 하고 들어갔고 많은 분들이 인턴을 하시고 들어옵니다. 사전 컨택 없이 혹은 인턴 경험 없이 면접 전형까지는 통과할 수 있겠지만 두 학교 모두 면접 전형 이후에 교수님 컨택 기간을 별도로 둡니다. 이 과정에서 사전 컨택이나 인턴 경험이 없으면 원하는 교수님께 컨택을 드리기 불리하다고 느껴졌습니다. 그러니 사전 컨택과 인턴 가급적이면 꼭 해보시길 추천드리며 다음 포스팅에서는 인턴과 관련한 포스팅을 작성해보겠습니다.

감사합니다.

[ 학회 ] 학회 등록하기

ajdanddl — Mon, 6 Mar 2023 15:27:50 +0900

학회 등록하는 방법을 알아보겠습니다. 저는 ICLR 을 예시로 등록하는 법을 작성하고자 합니다.

다른 학회도 비슷한 방법으로 등록할 수 있습니다.

0. ICLR 사이트 접속

https://iclr.cc/

ICLR 2023

We are very excited to be holding the ICLR 2023 annual conference in Kigali, Rwanda this year from May 1-5, 2023. The conference will be located at the beautiful Kigali Convention Centre / Radisson Blu Hotel location which was recently built and opene

iclr.cc

1. 계정 생성

만약 ICLR 계정이 없다면 계정을 먼저 생성해줍니다. 계정 생성 시 학교 혹은 소속 이메일로 계정을 생성해줍니다.

2. 홈페이지에서 Registration 버튼 클릭

Registration 2023 의 초록색 버튼을 클릭해줍니다.

3. Login or Create a new Profile

만약 계정생성하여 로그인이 된 상태라면 위 정보들이 기본적으로 채워져 있을 겁니다.

만약 로그인하지 않은 상태에서 입력하게 되면 아래 정보들을 입력해주면 됩니다.

Email : 학교 혹은 소속 이메일 작성해줍니다.
First Name : Gildong
Last name : Hong
Institution : 소속 혹은 학교 영문 이름
Country : KOREA, REPUBLIC OF

다 입력하셨으면 Next 파란 버튼을 눌러줍니다.

4. Register 기입

대학원생의 경우 Full Time Student에 체크해주고 Sessions에는 참여하고자 하는 것만 체크해주시면 됩니다. (Full Time Student의 경우 할인을 받을 수 있습니다.)

저의 경우 Virtual Only Pass만 등록해주었고 실제 학회에 참여하실 분들은 Conference and Workshops 혹은 워크샵만 참여해주실 분들은 그 아래 2개 중에서 선택해주시면 됩니다.

그리고 학생증을 jpg 파일로 등록해서 등록해주시면 됩니다.

학생증 찍을 때 스캐너 앱을 쓰면 깔끔하게 찍을 수 있습니다. 스캐너 앱은 그냥 구글 플레이스토어에서 scanner 검색하셔서 다운 받으시면 됩니다.

다 됐으면 아래 파란색으로 되어있는 Payment 버튼을 클릭해줍니다.

5. Payment and Receipt 등록

결제 시 사용할 카드 정보를 기입하면 됩니다.

POSTAL CODE의 경우 우편번호를 입력하는 것인데 소속기관 혹은 학교의 우편번호를 입력해주면 됩니다.

잘 모르는 경우 아래 링크를 참조해주시길 바랍니다.

https://www.getpostalcodes.com/south-korea/

List of Postal / ZIP Codes in South Korea - Getpostalcodes.com

South Korea Information CapitalSeoul ISO alpha-2KR ISO alpha-3KOR Country Code+82 Flag Area Latitude Longitude Currency Population Language English (widely taught in junior high and high school),Korean GDP

www.getpostalcodes.com

이후 Email and Receipt 라는 버튼이 생기면 클릭해줍니다.

그러면 로그인 시 기입한 이메일로 Pass 구매를 완료하였다는 영수증이 PDF로 날라오게 됩니다.

여기까지 확인해주시면 등록이 완료된 것입니다.

[ AI 대학원 준비 후기 #1 ] 서류준비

ajdanddl — Sun, 5 Mar 2023 22:10:58 +0900

제가 지원한 학교 (포스텍, 카이스트) AI 대학원에 대한 준비 후기를 남겨보고자 합니다.

미루고 미루다가 쓰는 후기라 기억이 많이 가물가물하지만 최대한 자세히 써보겠습니다.

[ 서류 준비 ]

접수 방식

카이스트의 경우 서류를 우편 접수를 해야합니다.... 즉, 우편 접수 비용도 저희가 모두 감당해야됩니다.

포스텍의 경우 온라인으로 모든 서류를 접수할 수 있어서 비용도 아끼고 편리하여 좋았던 것 같습니다.

우수성 입증자료

서류를 준비하다보면 두 학교 모두 우수성 입증 자료를 요구하게 되는데요.

무엇을 넣어야할까? 고민하지 마시고 그냥 생각나는 것들을 다 넣으시는게 좋습니다.

대회 상장, 대회 준비 시 썼던 발표 자료(그렇다고 아무 발표 자료가 아니라 프로젝트 전체가 잘 설명된 자료를 넣으면 좋겠죠), 논문, 연구 프로젝트, 포트폴리오, 장학금 수혜내역 등..

저는 다 해서 30장 정도가 나왔던 것 같은데 그렇게 많은 편도 아니었던 것 같습니다.

(여담으로 혹시나 지원학교에서 인턴을 했다고 하면 꼭꼭 제발 교수님 추천서와 인턴을 했다는 증명서를 첨부해주세요.)

자기소개서

입시를 다 마치고 나서 드는 생각은 "자기소개서가 크게 중요한 부분을 차지하는 것 같지는 않다" 였습니다.

결국 자기소개서보다는 성적(혹은 석차), 학부, 우수성 입증자료(논문이 있는 경우 굉장히 플러스) 등이 훨씬 중요하다고 느껴졌습니다. (제가 자기소개서는 발로 썼지만 우수성 입증자료는 열심히 넣었거든요..)

영어성적

영어의 경우 저는 TOEFL을 제출하였는데 TOEFL은 점수가 나오는대로 제발 바로 학교에 성적 보내세요.

저의 경우 학교에 우편 접수 보내는걸 잊어버리고 있다가 부랴부랴 보냈는데 보내는 데에만 1주 정도가 걸려서 제출기한 내에 내지 못할까봐 조마조마 했었던 기억이 있습니다. (영어 점수의 경우 제출 지연이 되어도 조금 봐주는 것 같긴합니다만 제발 점수 나오는대로 바로 학교에 성적 보내세요. 그게 마음 편합니다.)

서류가 통과되고 나면 2차시험을 보게되는데요.

카이스트의 경우 면접을, 포스텍의 경우 시험을 보게 됩니다.

포스텍은 코로나로 인해 면접을 시험으로 대체하였다고 하는데 이게 언제까지 시험으로 대체될지는 모르겠습니다.

2차 시험부터는 학교별로 유형이 달라지기 때문에 다음 포스팅에서 작성해보도록 하겠습니다.

감사합니다.

[ Notion 학생인증 받기 ] Pro 버전을 무료로 사용해보자`

ajdanddl — Fri, 6 Aug 2021 17:36:00 +0900

1. 왼쪽 메뉴탭의 Settings&Members로 들어간다.

2. My account 탭으로 들어가서 현재 사용 중인 이메일 계정이 학교 계정이 아니라면 학교 계정으로 바꿔준다.

3. Upgrade 탭으로 이동한다.

4. 아래로 스크롤을 내려보면 Students&educators 파트가 있다.

Get free Education plan 클릭

5. 비밀번호 설정하기

6. 끝! 왼쪽 상단에 내 계정을 클릭하면 Pro (Education)로 바뀐 것을 확인할 수 있다.

매우 간단하다.

Personal Pro를 이용하게 되면 올릴 수 있는 파일 크기 제한이 없어지는 점이 상당히 좋은 것 같다.

사실 PDF 파일이 안 올라가서 이거 제한 풀려고 업그레이드를 하게 되었다.

이미 생성된 Git repository로 시작하기 (git clone)

ajdanddl — Sat, 31 Jul 2021 21:55:16 +0900

1. 폴더 임의로 하나 생성해주고

2. git bash에서 해당 폴더로 이동한다

3. git clone

4. 새로 생성된 repository 폴더로 다시 이동

5. 그 폴더에 파일 하나 추가

6. git status로 상태 확인

7. git add하고 다시 git status로 확인

8. git commit -m "문구"

9. git push -u origin

[한글] Adversarial Robustness Tutorial

ajdanddl — Fri, 2 Jul 2021 21:45:16 +0900

https://adversarial-ml-tutorial.org/

Adversarial Robustness - Theory and Practice

This web page contains materials to accompany the NeurIPS 2018 tutorial, "Adversarial Robustness: Theory and Practice", by Zico Kolter and Aleksander Madry. The notes are in **very early draft form**, and we will be updating them (organizing material more,

adversarial-ml-tutorial.org

위 사이트의 Chapter 1 ~ Chapter 4 까지 번역 및 정리를 진행해보았습니다.

틀린 부분이 꽤 있을 것 같아서 원래 사이트와 비교해가며 읽어주시길 권장합니다.

틀린 부분에 대한 지적 및 질문 환영합니다.

(Korean ver.)

[Anaconda/Jupyter Notebook] python에서는 import되는데 python3에서는 import가 되지 않는 경우(또는 그 반대)

ajdanddl — Mon, 8 Feb 2021 00:32:26 +0900

Jupyter Notebook으로 seaborn이라는 모듈을 사용하고자 했는데 module not found error가 계속 떴습니다.

pip3 install, pip install, conda install 다 시도해봤지만 requirements satisfied라는 문구만 뜰 뿐 실제로 import해서 사용하려고 하면 module not found error가 떴습니다..

이런 경우가 한 두 번이 아니었는데 이번에 조금 제대로 된 해결법을 찾을 수 있었습니다.

[ 작업 환경 ]

Window10에서 Anaconda Prompt를 이용해 작업 중이었으며

python -V

의 결과는 python 3.9.1

python3 -V

의 결과는 python 3.8.5라는 결과가 나왔습니다.

이때 cmd에서

python

을 입력하여 파이썬 3.9.1 버전의 스크립트 창을 활성화 시켰을 때는 import seaborn이 잘 되었지만

python3

을 입력하여 파이썬 3.8.5 버전의 스크립트 창을 활성화 시켰을 때는 import seaborn이 module not found error를 뱉었습니다.

jupyter kernelspec list

를 입력해서 확인한 jupyter notebook의 kernel은 3.8.5 버전으로 세팅이 되어있었습니다.

Kernel을 추가하는 방법을 알아봤지만 제대로 실행이 되지 않았고 kernel을 추가하는 방법보다 더 간단한 방법을 찾아내었습니다.

먼저 module not found error를 뱉는 버전의 python 스크립트 창을 활성화 시키고(저의 경우 3.8.5에서 에러가 났으니까 python3를 입력)

python3

나타나는 스크립트 창에 아래와 같은 명령어를 입력해줍니다.

import pip
pip.main(['install','모듈이름'])
#저의 경우 pip.main(['install','seaborn'])

그러면 python 3.8.5버전으로 seaborn을 import했을 때도 더이상 module not found error를 뱉지 않습니다.

그런데 위 코드를 실행하고 나니

이런 메세지가 떴습니다.

pip를 upgrade하라는 의미여서 저는 저 안내를 따라서

C:\Users\user\AppData\Local\Programs\Python\Python38\python3.exe -m pip install --upgrade pip

이 명령어를 입력해주었습니다.

pip upgrade를 제대로 하지 않아 생긴 문제인듯 하지만 위에서 본 해결방법처럼 pip.main을 이용하는것도 임시방편이 될 것 같습니다.