BBong's Story

강의 요약: EE542 Lecture 19 - Machine Learning 2 이번 강의는 머신러닝의 응용을 확장하여 데이터 수집 및 처리, 센서 기반 학습 모델, 파워 모니터링, 그리고 머신러닝 알고리즘의 실질적 한계와 개선 방향을 다루었다. 특히 클라우드 컴퓨팅 환경에서 에너지 및 열 관리 문제와 같은 실질적인 문제 해결 방안을 제시하였다.주요 내용 1. 도메인 지식과 머신러닝  • 머신러닝 접근법은 도메인 지식과 결합해야 더 나은 성능을 발휘함.   • 기존 데이터 분석 방법:   • 물리적 모델에 의존하였으나, 복잡성과 상관관계 부족으로 한계 존재.   • 현재 머신러닝 접근법:     • 데이터 수집 및 전처리를 통해 모델을 학습.     • 비지도 학습과 지도 학습 모두 활용 가능. 2. 자..

강의 요약: EE542 Lecture 18 - Machine Learning 이번 강의는 머신러닝(Machine Learning) 기술의 기초부터 응용까지 다루며, 데이터 수집, 전처리, 학습 알고리즘, 그리고 실제 응용 사례를 중심으로 설명한다. 특히, 하드웨어 가속기(FPGA)를 활용한 문서 처리와 데이터 분석, 그리고 머신러닝 알고리즘의 한계와 교훈에 대해 다룬다. 인터넷 클라우드 과목에 왠 머신러닝인가 싶지만, 이미 컴퓨터 관련된 모든 과목에서 머신러닝, AI를 빼고는 말하기 힘든 수준에 온것 같다. 어떤 과목이든 한번씩은 언급하게 되는것 같다. 주요 내용 1. 머신러닝의 필요성  • 복잡한 문제 해결을 위해 데이터를 기반으로 학습.   • 실세계 문제를 해결하기 위한 모델 기반 결과 도출.   ..

강의 요약: EE542 Lecture 17 - Big Data Processing 이번 강의는 빅데이터 처리에 대해 다루며, 대규모 스트리밍 데이터, 네트워크 보안, 문서 분석, 그리고 빅데이터의 패턴 매칭과 문법 기반 파싱과 같은 핵심 주제를 포함했다. 또한, FPGA를 활용한 하드웨어 가속기 설계와 데이터 분석의 미래 방향도 논의되었다.주요 내용 1. 대규모 스트리밍 데이터 처리  • 이미지 및 신호 처리:     • 3D 소나 빔포밍.     • 자동 표적 인식.     • 비디오 스트림 압축.   • 패턴 및 구문 감지:     • 네트워크 침입 탐지.     • 데이터 추출 및 구문 분석.   • 의미 데이터 처리:     • 데이터 분류 및 클러스터링.     • 콘텐츠 기반 라우터 설계. 2..

강의 요약: EE542 Lecture 12 - Logic, Memory, and Reconfigurable Hardware Accelerators 이번 강의는 클라우드 컴퓨팅과 병렬 처리에서 사용되는 로직 연산, 메모리 기술, 그리고 **재구성 가능한 하드웨어 가속기(FPGA)**에 대한 심도 있는 내용을 다루었다. 디지털 로직부터 FPGA의 설계 및 응용까지 폭넓은 주제를 포함한다.주요 내용 1. 디지털 로직의 기본  • AND, OR, NOT 연산:     • Boolean 대수의 기본 연산. AND, OR, NOT 게이트를 활용해 다양한 논리적 기능 구현.   • NAND, NOR, XOR, XNOR 연산:     • 복잡한 로직을 구현하는 기본 게이트.     • NAND와 NOR는 “범용 게이트..

강의 요약: EE542 Lecture 11 - Hardware Accelerators in Cloud 이번 강의는 클라우드 환경에서 하드웨어 가속기의 활용을 중심으로, GPU(Graphics Processing Unit), FPGA(Field Programmable Gate Array), 그리고 SIMD(Single Instruction Multiple Data) 아키텍처의 응용과 성능 향상 사례를 다루었다. 이러한 기술은 클라우드의 계산 성능과 에너지 효율성을 극대화하는 데 중요한 역할을 한다.주요 내용  1. 하드웨어 가속기의 필요성  • 빅데이터 처리 및 클라우드 기반 애플리케이션에서 계산 속도를 높이기 위해 하드웨어 가속기를 사용.   • 트레이드오프:     • 속도, 전력 소비, 칩 면적, 비..