2021-08-17 읽을거리

python

1. graph 시각화 UI 라이브러리 : pymoptif 라이브러리 

해당 라이브러리는 graph를 node와 edge 데이터를 가지고 자동으로 그려주는 라이브러리이다.

다른 기능이 존재하는 것 같지는 않지만, graph로 표현해야하는 경우 해당 라이브러리를 사용하는 것이 좋다라고 생각한다.

https://medium.com/cylynx/introducing-pymotif-194c74faceae

Introducing Pymotif

 

 

ML / DL

1. 의학 분야의 image model을 robust하게 하는 방법 5가지

의학 분야의 데이터는 타겟이 좁아서 같은 도메인이라고 하더라도 좀 다를 수 있다.

(해당 내용은 어느 분야에서든 일치하는 내용이라고 생각한다.)

그래서 해당 글에서는 모델이 robust하게 동작할 수 있도록 다양한 방법론을 소개하고 있다.

해당 방법들은 성능을 최대한 끌어올리기 위한 방법으로도 사용되고 있어서 다양한 competition에서도 사용할 수 있다.

https://towardsdatascience.com/5-ways-to-make-histopathology-image-models-more-robust-to-domain-shifts-323d4d21d889

5 Ways to Make Histopathology Image Models More Robust to Domain Shifts

 

2. deep learning viewer : netron 라이브러리

해당 라이브러리는 pytorch, tensorflow, scikit-learn 뿐만 아니라 온갖 라이브러리들에 대해 지원하고 있다.

해당 라이브러리를 사용하면 GUI로 모델 구조를 보여주기 때문에 논문 모델을 이해하는 등 다양한 곳에서 사용할 수 있다고 생각한다.

https://github.com/lutzroeder/netron

GitHub - lutzroeder/netron: Visualizer for neural network, deep learning, and machine learning models

 

3. AI Knowledge Map

해당 글은 AI 기술을 어떤 기준으로 나눌 것인가에 대해 서술하고 있다.

다양한 기준으로 서술하고 있고, 각 기준에 따라 어떻게 분류되는 지까지 얘기하고 있기 때문에

AI 분야의 도메인에 대해 넓은 이해를 기지기 좋은 글로 생각된다.

https://francesco-ai.medium.com/ai-knowledge-map-how-to-classify-ai-technologies-6c073b969020

AI Knowledge Map: how to classify AI technologies

 

4. CVPR 2021에 대한 소개

해당 글은 computer vision 에 대한 2021년 conference인 CVPR 2021에 대해 소개하고 있다.

논문에 대한 깊은 설명보다는 최신 트랜드에 따른 논문들을 소개하고 있다.

https://medium.com/georgian-impact-blog/state-of-computer-vision-cvpr-2021-7c02b60e70e2

State of Computer Vision — CVPR 2021

5. machine learning 평가 및 모니터링 라이브러리 : Evidently 라이브러리

해당 라이브러리는 모델 결과에 대해서 다양한 지표로 평가하고 모니터링한다.

기본적으로 dataframe과 json으로 동작하기 때문에 format만 익힌다면 어디서든 사용하기 편하다고 생각한다.

https://github.com/evidentlyai/evidently

GitHub - evidentlyai/evidently: Interactive reports to analyze machine learning models during validation or production monitorin

 

6. S&P500 stock index 데이터를 사용하여 LSTM과 ARIMA+GARCH 모델을 비교

해당 글은 주식 데이터인 S&P500 에서 LSTM과 ARIMA+GARCH 를 각각 사용하여 성능을 비교하고 있다.

코드도 같이 첨부하고 있으니 이해하고 시도해볼 만 하다고 생각된다.

https://medium.com/analytics-vidhya/comparing-the-performance-of-lstm-vs-arima-garch-on-the-s-p500-stock-index-with-code-8c6c3bd899c4

Comparing the performance of LSTM vs ARIMA+GARCH on the S&P500 stock index (with code)