나의 노트

더보기1일차에 구상했던 설계("소리를 듣고 비둘기를 감지" → "특정 소리로 퇴치")에서 비둘기 날갯짓 소리를 감지하기 위한 과정이다. 인공지능을 활용해서 인식하려고 한다. 설계 내용과 구현 방식을 아래에 적어 두었다.  1. Data Mining & Preprocessing  - Data Mining실외에 설치될 마이크를 통해 입력되는 소리는 비둘기 소리와 그 외의 소리만 들어온다고 가정했다. 비둘기 날갯짓 소리와 일상 소음(바람소리, 빗소리, 차소리)을 수집한다. 적절한 audio file을 구하기는 생각보다 힘들었다. 단순히 새가 날갯짓 하는 소리는 찾기 쉬웠지만, 종마다 소리가 달랐다. 비둘기의 소리도, 한 두 마리의 소리를 가까이서 얻은 데이터는 극히 드물었다. 그 중에, 착지하는 비둘기 날갯짓..

아파트에 사는 사람이라면, 창문 밖 실외기(발코니)나 난간에 비둘기가 앉아 있는 것을 종종 봤을 것이다. 배설물을 투하하고 간다든지, 혹은 둥지를 짓는다든지 어느 상황이든 집 주인(특히, 나의 아빠)의 울화통이 터지게 만든다. 둥지를 짓고 알을 낳게 되면 참 난감하다. 우리집은 한 번 경험했다. 창문 열면 새끼 비둘기의 "구구" 소리가 주기적으로 들리고, 어미 새가 먹이를 가지고 온다.      성체가 되면, 온갖 배설물과 둥지 잔해를 그대로 놓아 둔 채로 떠난다. 집게로 집어다가 아파트 고양이에게 줬어야 했나 싶었을 정도로 힘들게 청소했다.        그렇게, 아파트는 비둘기 서식처가 되었다. 하지만 적절한 퇴치 방법이 없어서, 날카롭고 위험한 버드 스파이크와 그물망 철제망을 설치해야 한다. 잔해를 ..

여기서 소개하는 머신러닝 기법은 앙상블(Ensemble)이라는 기법 중 하나인 부스팅(Boosting)이며, 학습 모듈은 GBM(Gradient Boosting Machine), 학습 데이터 셋은 Human Activitity Recognition Using Smartphones Data set이다. 부스팅 방식은 이전의 분류기에서 예측 실패한 데이터에 대해 가중치를 부스팅하면서 성능을 올린다. GBM은 그 과정에서 Gradient Descent를 사용한다. 내 노트북으로 그 코드를 실행하면, 학습 시간이 많이 소요된다. 튜닝은 말할 것도 없이 더 많이 소요될 것이다.      컴퓨터로 GBM의 학습 결과를 확인해봤다. 정확도는 0.9393, 학습시간은 약 10분. 좋은 성능을 보여준다.      GBM..