전체 글 1742

JGGIS FAQ

일본 지리정보표준 프로파일 JPGIS에 대해 좀 더 알아볼 수 있는 FAQ문서입니다. 품질평가는 발주자나 제삼자가 하는 것이 아니라, 제작자가 자체적으로 해야 한다는 내용이나... 몇가지 도움되는 내용들이 있네요. == JPGIS FAQ 일반 JPGIS은 무엇입니까? JPGIS는 공간정보 표준 프로파일 (Japan Profile for Geographic Information Standards)의 약자로, 최신의 공간정보에 관한 국제 규격 (ISO19100 시리즈), 일본 공업 규격 (JISX7100 시리즈)을 준수하는 내용을 정리한 실용 표준입니다 JPGIS 및 국제 규격 (ISO) 및 일본 공업 규격 (JIS)과의 관계는? JPGIS는 공간정보에 관한 국제 규격 (ISO19100 시리즈) 및 일본 공..

공간정보/표준 2018.01.12

일본 지리정보표준 프로파일(JPGIS)

공간정보표준은 매우 복잡합니다. 수많은 경우에 대응할 수 있도록 하기 위해서입니다. 하지만, 우리나라의 표준화가 잘 진행되고 있는 이유중의 하나가 이 복잡함 때문이라고 할 수 있습니다. 일본에서는 많은 표준문서중 꼭 필요한 것을 최소한으로 추려서 일본지리정보표준프로파일(JPGIS : Japan Profile for Geographic Information Standards)를 만들었습니다. 이것만 지키면 데이터의 호환성은 거의 100% 확보할 수 있습니다. 시스템의 상호운영성은 데이터 표준을 기반으로 하므로, 사실상 JPGIS에 포함된 10여가지의 표준이 공간정보 표준의 전부라고 해도 과언은 아닐 것 같습니다. 이제까지 일본의 표준화 추진상황은 전혀 살펴보지 못했는데, 배울점이 많은 것 같습니다. 일본인..

공간정보/표준 2018.01.12

데이터, 표준, 제품사양서

공간정보 데이터를 만들 때 가장 중요한 것이 표준입니다. 공간 데이터의 표준을 지키는 것은 전체 표준에서 90% 이상을 차지한다고 생각합니다. 예전에 국가 등의 기관에서 보유한 데이터중 80%는 공간과 관계있다라는 말이 있었고, 이제는 우리나라도 많은 공간 정보들이 공개되고 있지만, 아직까지는 표준을 지킨다거나, 정제된 데이터라고 말하기는 힘든 것 같습니다. 정제된 데이터란, 언제 어디서 누구 제작했더라도 동일한 구조와 품질로 생산된 데이터를 말합니다. 같은 기관에서 작성한 데이터가 어떤 회사에서 제작했는지, 누가 검수를 했는지에 따라 달라지고, 매년 담당자가 달라질 때마다 내용과 구조가 조금씩 변한다면, 공간정보의 활용성은 떨어질 수 밖에 없습니다. 또 다른 측면에서 정제된 데이터라는 것은 컴퓨터가 이..

공간정보/표준 2018.01.10

XML Schema Tutorial

XML Schema란? XML Schema는 XML 문서의 구조를 설명함.XML Schema 언어는 XSD(XML Schema Definition) 이라고도 한다.XML 스키마의 목적 : XML 문서의 합법적 기본구성요소를 정의문서에 어떤 요소와 속성이 나타나야 하는가?하위 요소들의 수와 순서요소와 속성의 데이터 유형요소와 속성의 기본값/고정값왜 XML 스키마를 배워야 하는가?이미 수백가지의 표준화된 XML 포맷이 사용중이다.수많은 XML 표준은 XML Schema로 정의되어 있다.XML Schema는 XML기반이며, DTD를 대체할 수있으며 훨씬 강력하다.XML 스키마는 데이터유형을 지원한다.허용되는 내용을 쉽게 설명가능데이터의 정확성 검증가능데이터에 대한 제한을 정의가능데이터 패턴(포맷)을 쉽게 정의..

공간정보/표준 2017.12.24

XML 투토리얼 W3C

이 글은 W3C 의 XML 투토리얼에 있는 내용을 간략히 정리한 것입니다. 저는 현재 공간정보 표준들을 정리하는 중입니다. 지형지물목록이나 메타데이터 등의 많은 표준들이 XML 을 표준으로 사용하고 있기 때문에 어쩔 수 없이 이 글을 찾아보게 된겁니다. 그런데... XML이 정보를 담기위한 목적이라는 것은 어렴풋이 알고 있었지만, 이렇게 광범위하게 사용될 수 있을지는 몰랐네요. 아주 간략하게 어떤 기능이 있는지 어떻게 활용할 수 있는지에 대해서만 수박 겉핥기 식으로 훝어봤습니다만, 많이 도움이 될 것 같습니다. 이 글을 방문하신 분들도 저처럼 도움이 되시길 바랍니다. XML 이란 eXtensible Markup LanguageHTML과 비슷한 마크업 언어HTML은 표현. XML은 데이터 그 자체XML에서..

공간정보/표준 2017.12.24

김성훈 딥러닝 7 - 학습 rate, Overfitting, 일반화

Lec 07-1 학습 rate, Overfitting, 일반화(Regularization) https://www.youtube.com/watch?v=1jPjVoDV_uo Learning_rate : 이제까지는 임의의 값을 사용했음이 값을 크게 할 경우, 진동하거나 발산(overshooting)할 수 있음.아주 작은 값을 사용할 경우, 시간이 너무 많이 걸리고, local minimum에서 정지어떤 값이 좋은가는 특별한 법칙은 없다. 0.01로 시작하고, 나오는 cost 값에 따라서 줄이거나 늘리는 방법을 사용하면 된다.Data(X)의 전처리. (Gradient descent용)아래와 같이 x1, x2의 범위가 차이가 크면, 왜곡된 형태가 되어 데이터 처리가 힘들 수 있다.이 경우, 아래와 같이 중심을 원..

기타/WWW 2017.11.19

김성훈 딥러닝 6 - Softmax Regression

Lec 6-1 Softmax Regression 기본개념 https://www.youtube.com/watch?v=MFAnsx1y9ZI복습H(x) = WX 와 같이 Linear Regression으로부터 출발한다. 그러나, 이런 $WX$ 형태의 단점은, 출력이 $-\infty \lt H_L(x) \lt~\infty$ 이므로, 0이냐 1이냐를 고르는 문제에서는 적합하지 않다.그래서 $z = H_L (X)$라고 놓고, 이 값을 0부터 1로 압축할 수 있는 $g(z)$ 함수를 사용하여 해결한다. 이에 가장 적합한 $g(x)$는 sigmoid라고 하는 $g(z) = \frac {1}{1+e^{-z}}$ 이다. 이를 적용했을 때의 Hypothesis는 $H_R (X) = g(H_L (X))$ 가 된다.수식이 많아..

기타/WWW 2017.11.17

김성훈 딥러닝 5 - Logistic Classification의 가설함수 정의

Lec 05-1 - Logistic Classification의 가설함수 정의 https://www.youtube.com/watch?v=PIjno6paszYNeural network과 관계가 깊음.Binary Classification은 두가지 범주로 나누는 것 -> 0, 1 encodingSpam or HamShow or Hide주식 Buy/SellLinear Regression으로 가능한가?예를 들어 0.5 정도 이하면 Fail로 두면 될텐데, 50과 같은 값으로 인해, (대칭이 이루어지지 않아) 합격/불합격 선이 바뀌게 될 수 있다.또한 출력이 0 이하나 1 이상으로 나올 수 있다.... 별로 좋지 않다.그래서 Logistic Hypothesis 가 필요. (출력 범위가 0에서 1까지)아래와 같은 ..

기타/WWW 2017.11.16

김성훈 딥러닝 4 - 다변수(Multi-variable) Linear Regression

Lec 04 - 다변수(Multi-variable) Linear Regression https://www.youtube.com/watch?v=kPxpJY6fRkY복습선형 회귀분석을 위해서는 1) 가설(Hypothesis)를 세우고, 2) 비용(Cost/Loss) 함수를 만든 뒤, 3) Gradient descent 알고리듬을 적용한다.비용함수를 결정하고, 이를 최소로 줄이는 W, b를 찾는 것이 학습을 시키는 과정이다.단변수 회귀분석에서는, X=[x1, x2, .... , xn], Y=[y1, y2, ... , yn] 의 형태가 됨.다변수 회귀분석은X=[[x11, x12, .... , x1m],[x21, x22, .... , x2m], ..., [xn1, xn2, .... , xnm]], Y=[y1, y..

기타/WWW 2017.11.16

김성훈 딥러닝 3 - Linear Regression 의 cost 최소화 알고리듬

Lec 03 - Linear Regression 의 cost 최소화 알고리듬의 원리 https://www.youtube.com/watch?v=TxIVr-nk1so복습 : 선형회귀분석 모델의 가설(Hypothesis)과 비용함수(Cost function) 설명을 위해 H(x) = W(x)로 두고 진행W=1 일때의 cost(W)는?cost(W) = 1/3( (1x1 -1)^2 + (1x2 - 2)^2 + (1x3 -3)^2 ) =0W=0 일때의 cost?cost(W) = 1/3( (0x1 -1)^2 + (0x2 -2)^2 + (0x3 -3)^2 ) = 1/3 (1+4+9) = 4.67W=2 일때... cost = 4.67... 많은 값에 대해 cost()의 그래프를 그리면널리 사용되는 알고리듬이 Gradie..

기타/WWW 2017.11.15

김성훈 딥러닝 2 - Linear Regression의 가설(Hypothesis)과 비용(cost) 설명

Lec 02 - Linear Regression의 가설(Hypothesis)과 비용(cost) 설명 https://www.youtube.com/watch?v=Hax03rCn3UI시험성적 예측 (supervised learning) 선형 회귀분석x(hours), y(score) ->[[10,90], [9,80], [3,50], [2,30]] 의 경우.regression 모델로 training 시킴예(x,y) ->[[1,1], [2,2], [3,3]] 의 경우가설(Hypothesis) : linear regression.최적의 선을 찾는 것이 학습과정선형 회귀분석의 가설 : H(x) = Wx + b 에서, 가장 좋은 W와 b 를 찾아야 함.어떤 가설이 좋은지를 찾는다는 것은, 실제 데이터와, 가설 H(x)에..

기타/WWW 2017.11.15

김성훈 딥러닝 1 - 머신러닝 용어와 개념

Lec 00 - 머신/딥러닝 수업의 개요와 일정 https://www.youtube.com/watch?v=BS6O0zOGX4E알파고의 충격. Dr. Andrew Ng 님의 주장 - 머신러닝을 잘 이해하는 것이 슈퍼파워를 가지는 것.그렇지 못한 사람에 비해 앞서나갈 수 있다.누가 봐야 하나머신러닝에 대해 이해하고 싶은 사람수학이나 컴퓨터 공학에 대해 잘 모르는 사람기본적인 이해 만으로 머신러닝을 블랙박스처럼 사용하고 싶은 사람Tensorflow 와 Python을 사용하고 싶은 사람.목표머신러닝 알고리듬에 대한 기본적인 이해Linear regression, Logistic regression (Classification)Neural networks, Convolutional Neural Network, Re..

기타/WWW 2017.11.14

김성훈 Tensorflow

Lab1 : TensorFlow 기본 TensorFlow 설치- https://www.tensorflow.org/install/- Anaconda 설치후, Anaconda Prompt 를 실행한 후 나머지 실행- GPU 버전의 경우, 별도의 conda environment 를 설치한 후 실행>> import tensorflow as tfTensorFlow 실행 예제import tensorflow as tf node1 = tf.constant(3.0) node2 = tf.constant(4.0) node3 = tf.add(node1, node2)sess = tf.Session() print(sess.run([node1, node2])) print(sess.run(node3) TensorFlow 실행 단계-..

기타/WWW 2017.11.13

텍스트 파일을 이북(epub)으로 변환하기

저는 이북을 구글 플레이북으로 읽고 있습니다. 제가 2014년에 정리해 둔 글을 보면 제가 왜 구글 플레이북이 쓸만하다고 생각하는지를 아실 수 있는데, 그 이후에도 여러가지 유혹이 있었음에도 불구하고, 다른 이북 프로그램이 구지 필요하다고 생각하지 않고 잘 사용중에 있습니다. 다음은 구글 플레이북에서 사용할 수 있는 기능들입니다.오프라인에서 읽기페이지 북마크, 텍스트 강조표시, 메모 추가우아한 3D 페이지 회전휴대전화, 태블릿, 컴퓨터에서 북마크, 메모 및 읽기 위치 동기화도서 내 검색, 사전 사용, 지리 정보 찾기, 웹 검색결과 찾기, 페이지에 위키백과 표시 맞춤 텍스트 도서에 글꼴, 글꼴 크기, 레이아웃 선택주간, 야간, 세피아 읽기 모드 선택게시자가 허용하는 경우 텍스트 음성 변환으로 책 읽기PDF..

기타/스마트폰 2017.09.07

2017년 7월 네번째주 드론 뉴스

7/25한화시스템, 드론탐지 레이더 사업진출FLIR, 열화상 카메라 드론 키트 출시 인스파이어 활용드론시장 분석. 드론소프트웨어 회사 5.6억 달러 투자받음. 측히 vertical-focused companies.7/27두바이, 빠르면 2018년 3월부터 드론 배송 허용 예정7/28CICADA, 군집비행 가능한 일회용 초소형 드론 글라이더. 미해군연구소, 1개당 250 달러. 다양한 센서 장착. 목표지점 5미터 이내 착륙. 기상관측 등에 활용가능. SlingStudio - 다중 카메라 저작 솔루션. DJI 드론에 적용가능모스크바 기술연구소, 심장 제세동기 운송전용드론 개발7/29ASPRS, 드론 매핑 인증 10/24 실시예정

드론 쿼드콥터 2017.07.28