3. 프로세싱으로 예쁜 3D 주사위를 만들어보자.
지난 글에서 밋밋한 디자인의 2D 주사위를 만들어보았다. 하지만 내가 원하는 것은 예쁜 가지각색 디자인의 3D 주사위!! 우선 프로세싱에 대한 개념을 익히기 위해 튜토리얼 영상 시청 해주었다.https://processing.org/tutorials TutorialsLinks to videos that cover the Processing basics.processing.org GPT와 함께 구현 완료! 아래는 코드이다. PImage bgTexture;void setup() { size(400, 300, P3D); bgTexture = loadImage("skin_ice.png"); // 배경 이미지 로드 if (bgTexture == null) { println("Image not load..
2. 프로세싱?
전편에 이어서 챗 지피티에게 전달받은 프로세싱 코드를 한번 테스트해보고자 한다. 홈페이지에서 프로세싱을 다운로드 해보겠다.https://processing.org/ 압축을 풀자마자 IDE가 나오는 점은 참 신기하네 코드를 입력해 봤다.오매? 생각보다 귀여운 주사위..!!누르니까 숫자가 바뀐다. 메뉴를 살펴보니 "애플리케이션으로 내보내기"가 있네?혹시 프로세싱으로 구현하면 배포가 간편하다는 것? 바로 해보자. 내보내기를 하니 windows-amd64 폴더가 생성되더니, test_dice라는 실행파일이 생겼다!실행하니까 똑같이 실행되는 것 확인! 좋았어!!생각보다 마음에 드는 테스트 결과다.yacht-dice 규칙은 구현하는 게 어렵지 않을 테니까 내가 좀 신경 쓰고 싶은 포인트인 주사위 던지는 모..
1. 게임 개발은 처음인데
요새 회사 팀원들과 즐겨하는 요트다이스! 게임 룰이 간편하고 운이 필요해서 아주 짜릿한 게임이다. 디저트 내기, 게임 현질 내기 등등 유용하게 플레이중이다. 이런 게임은 규칙도 간단해서 쉽게 만들 수 있지 않을까 생각해서 도전해려고 한다. 게임 어떻게 개발하지?우선 GPT에게 Yacht Dice에 대해 아는지 질문했다. 잘 아는듯 해보인다. 그럼 이 게임을 어떻게 만들지 물어보았더니 다양한 언어를 추천해 주었다. 먼저 c# 이나 WPF는 그래픽을 화려하게 구성하기 힘들 것 같아 제외하였다.Python도 마찬가지. 그리고 배포하기가 조금 불편해서 제외! 흠... 게임 개발하면 Unity인데 Unity는 어떤지 물어보자!괜찮은 것 같다! 근데 유튜브를 찾아보니 프로세싱이라는 것으로 Yacht Dice 게..
티스토리 수식 (LaTeX) 넣는 방법
티스토리 수식 (LaTeX) 넣는 방법다양한 방식들을 시도해봤다.처음에는 HTML 편집 기능을 이용하여 스킨 자체에 LaTeX 수식이 인식되게 했었다.하지만 글 내용 뿐만 아니라 댓글, 인기글, 수식이 적용되면 안되는 다른 글들도 피해를 보더라.특히 ChatGPT가 작성한 수식의 마크다운은 괄호나 대괄호를 이용하는데, 일상 글에서도 이런 기호들은 자주 사용되니 글들이 난잡해졌다. 그 결과 그냥 글 작성 후 HTML 모드로 변경한 다음 아래 코드를 붙여 넣는 것이 가장 쉬웠다.
크리에이트 쇼리 정비 계획 (정비 완료)
2024-10-22 추가매매 고민중입니다.혹시 구매 원하시는 분아래 링크로 카카오톡 채팅 주세요 :)https://open.kakao.com/o/sNPJzLVg자전거 정비 계획 귀여운 크리에이트 쇼리.넘 만족스럽지만 안전하게 타기 위해 정비가 필요했다. 특히 타이어가 얇고 마모 정도가 심해서 정비는 필수였던 상황!자전거 정보명칭: 크레이이트 쇼리종류: 미니벨로타이어: 20인치정비 목록타이어/튜브브레이크 패드안장체인킥 스텐드1. 타이어기존에 달려있는 타이어는 (32-406) 20x1.3 규격.순정 타이어는 민자라 속도면에서는 이점이 있을지 몰라도 안정성에 취약해보인다.출퇴근 도로 상황이 고르다는 보장이 없기 때문에 주행성을 위해 타이어와 튜브까지 세트로 교체 필요함.구글링을 통해 2가지 타이어를 추천 받았..
L1, L2 정규화와 스파시티(Sparcity)
정규화 항의 역할정규화(Regularization)는 모델의 과적합(overfitting)을 방지하고 일반화 성능을 향상시키기 위해 사용됩니다. 정규화 항은 모델의 손실 함수에 추가되어 가중치의 크기를 제어합니다. 이를 통해 복잡한 모델이 데이터를 과하게 학습하지 않도록 합니다.정규화 항에 대한 자세한 설명정규화 항은 손실 함수에 추가되며, 모델의 가중치를 제어하여 복잡성을 줄입니다. 주로 사용되는 정규화 항은 L1 정규화와 L2 정규화입니다.L1 정규화 (( q = 1 ))[ \frac{\lambda}{2} \sum_{j=1}^M |w_j| ]목적: 가중치 벡터의 절대값의 합을 최소화.효과: 많은 가중치가 0이 되도록 유도. 즉, 모델이 필요하지 않은 변수들의 가중치를 0으로 만들어 변수 선택 기능을 ..
정규화항
정규화(Regularization) 항은 모델이 과적합(overfitting)되는 것을 방지하기 위해 사용됩니다. 모델이 학습 데이터를 너무 잘 맞추려 하다 보면, 데이터의 노이즈까지 학습하게 되어 일반화 성능이 떨어질 수 있습니다. 정규화 항을 추가함으로써 모델의 복잡도를 제어하고, 과적합을 방지할 수 있습니다.위 이미지에서 보이는 식은 정규화 항을 포함한 손실 함수(loss function)를 나타냅니다. 이 식의 각 부분을 차례로 풀이하겠습니다.첫 번째 식: ( E_D(\mathbf{w}) + \lambda E_W(\mathbf{w}) )( E_D(\mathbf{w}) ): 데이터 오차(data error) 또는 데이터 손실을 나타냅니다.( \lambda ): 정규화 파라미터로, 데이터 오차와 정규..
순차학습
순차 학습에 대한 설명과 주어진 식의 풀이를 해드리겠습니다.순차 학습 (Online Learning)순차 학습은 학습 데이터를 하나씩 또는 작은 배치 단위로 순차적으로 학습하는 방법입니다. 이는 대규모 데이터를 처리할 때 메모리 사용을 최소화하고, 점진적으로 모델을 업데이트할 수 있는 장점이 있습니다.주어진 식 설명주어진 식은 순차 학습에서 가중치를 업데이트하는 공식을 나타냅니다. 각 단계에서 가중치 ( w )가 목표 값 ( t_n )과 예측 값의 차이를 기반으로 업데이트됩니다.식은 다음과 같습니다:[ w^{(\tau+1)} = w^{\tau} - \mu \nabla E_n ][ w^{(\tau+1)} = w^{\tau} - \mu (t_n - w^{(\tau)T} \phi_n) \phi_n ]여기서:(..
편향
기본 아이디어최종 식에서 ( w_0 )는 모델이 얼마나 편향되어 있는지(즉, 예측이 목표 값과 얼마나 다른지)를 보정해주는 역할을 합니다.식 다시 보기[ w_0 = \frac{1}{N} \sum_{n=1}^{N} t_n - \frac{1}{N} \sum_{j=1}^{M-1} w_j \phi_j ]이 식은 두 부분으로 나눌 수 있습니다:목표 값의 평균: (\frac{1}{N} \sum_{n=1}^{N} t_n)가중치와 함수의 조합의 평균: (\frac{1}{N} \sum_{j=1}^{M-1} w_j \phi_j)1. 목표 값의 평균 ((\frac{1}{N} \sum_{n=1}^{N} t_n))훈련 데이터에서 목표 값 ( t )를 모두 더한 후, 데이터의 개수 ( N )으로 나눈 것입니다. 쉽게 말해, 훈련..
가우시안 분포
가우시안 분포(정규 분포)의 공식은 다음과 같습니다:[ f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left(-\frac{(x - \mu)^2}{2\sigma^2}\right) ]여기서,( \mu )는 평균 (mean)입니다.( \sigma )는 표준 편차 (standard deviation)입니다.( \sigma^2 )는 분산 (variance)입니다.( \exp )는 자연 상수 ( e )의 지수 함수입니다.( \pi )는 원주율입니다.이 공식은 정규 분포의 확률 밀도 함수를 나타내며, 이 분포는 평균이 ( \mu )이고 분산이 ( \sigma^2 )인 형태를 가집니다.