Pop your eXperience. Share It.
작년 비젼랩스(VisionLabs)는 딥러닝 프레임워크인 Torch와 이미지 처리 라이브러리인 OpenCV를 결합하여 만든 torch-opencv를 공개했다. Sergey Zagoruyko는 torch-opencv을 이용한 몇가지 데모를 torch-opencv-demos에서 소개했다. 이 글에서는 이 중에서 "이미지넷 분류 모델을 사용한 개체 식별"과 "성별/나이 분류 모델을 사용한 성별과 나이 식별"
개요 최근 몇년간 SNS 등을 돌아다니면 인텔리J를 사용하시는 분들이 꽤 늘었고 기업 구인광고시도 언급이 있을 정도로 예전에 비해서는 사용자가 늘어난듯 합니다. 저는 2012년 부터 이클립스 대신 인텔리J를 이용하여 개발을 해왔고 인텔리J를 좋아하는 개발자입니다. 또한 여러 개발관련 TOOL을 다루어 보고 최적화 하기를 좋아합니다. ("돈 받고 파는 IDE에는 이유가 있구나"
최근 RNN(Recurrent Neural Network) 관련 자료를 찾다가 안드레이 카패시(Andrej Karpathy)가 쓴 The Unreasonable Effectiveness of Recurrent Neural Networks라는 글을 보게 되었다. 복잡한 수식 때문에 딥러닝 in Torch 책을 쓸 때도 잠깐 포기했었는데, 이 글에서는 RNN에 대해 개념적으로 쉽게 풀이했으며 무엇보다 학습 및 샘플링 코드를 모두 자신의 깃허브
국내에서는 자바 웹 개발시 Spring Framework의 인기가 독보적이고 상용 환경에서도 많이 사용합니다. 반면에 구글 주스는 인기나 상용적용 여부면에서 (제가 알기론) 매우 적습니다. 오픈 소스중에 구글 주스를 적용한 케이스(예: Elasticsearch, Ratpack)가 간혹 있어 오픈소스 분석시 필요하여 구글 주스 소개 페이지를 보고 번역하였습니다. 필요하신 분들께서는 참고 부탁 드립니다. 각 문단의
SSOT(Single Source of Truth) 실천을 위해 <이미 10년 전, 중국 모바일 현황에 놀라다>로 옮깁니다.
최근 Hadoop 관련 메이저 두 회사에서 SQL on Hadoop 관련해서 벤치마킹 자료를 잇따라 공개하였습니다. * Cloudera: Apache Impala (incubating) vs. Amazon Redshift * Hortonworks: APACHE HIVE VS APACHE IMPALA QUERY PERFORMANCE COMPARISON 이 벤치마킹 자료에 대해 필자도 뭔가 이야기를 하고 싶었지만 검증해 볼 환경이 없어 다른 곳에서 리뷰가 올라오기를 기다렸는데 마침 ZDNet에서
오늘 소개드릴 내용은 직접 R에서 사용하는 패키지를 만드는 방법입니다. 자신만의 패키지를 작성하는 것은 Code Recycle은 물론 Sharing과 Documentation에 큰 도움이 됩니다. 물론 save.image()로 현재 작업내용을 저장 할 수도 있고, source()나 CMD BATCH 커맨드라인 명령을 이용하여 미리 작성한 스크립트를 불러들여서 실행할 수도 있습니다. 그렇지만 패키지를 작성하게 되면 보다
우버 (Uber) 의 데이터를 활용한 특장점 공유경제의 대표적인 기업 '우버 (Uber)', 그리고 데이터 분석에 대해 간략하게 알아보도록 하겠습니다. 공유경제 (Sharing Economy)는 기존의 소비 패턴을 완전히 바꾸고 있으며 기존 물건을 구매하여 소유하는 '소유 경제'에서 불필요한 소비자원의 낭비를 줄이고 사회 공동의 이익이 기여한다는 점에서 매우 긍정적인
이글은 Why Microservices?(https://dzone.com/articles/microservices-basics?edition=213185)의 번역글 입니다. 해당 기사는 마이크로서비스 아키텍처를 적용할 때의 장점과 단점 모두를 많은 사람들이 익숙한 모놀리스(monolithic) 방식의 소프트웨어와 비교해 개략적으로 설명하고 있습니다. 혹시라도 번역에 대한 오류, 오타등을 발견하시면 댓글에 남겨주시길 부탁드립니다. 이 번역글을 읽고 나서 마이크로서비스에 대해 좀
이 글은 highscability.com 에서 소개된 글에 대한 번역입니다. 원문을 최대한 전달하기 위해서 노력했습니다. ^^;; 원문은 다음에서 확인하실 수 있습니다. * 원문 : http://highscalability.com/blog/2016/8/15/how-paypal-scaled-to-billions-of-transactions-daily-using-ju.html PayPal 의 성과 최근에 PayPal 은 자신들이 운영하던 VM(Virtual Machine) 의
이전글 : 아파치-실시간-처리-프레임워크-비교분석 (1) 지난 글 에서는 아파치 프로젝트로 오픈되어 많은 인기를 얻고있는 Storm, Trident, Spark, Samza, Flink 에 대한 기본 특성과 분산 플랫폼의 필수 이론을 살펴보았습니다. 이번 글 에서는 무정지형(Fault Tolerance) 시스템구축, 상태관리, 성능 등의 좀더 깊이있는 주제와 더불어 실시간 스트리밍 처리 플랫폼에 대한 가이드라인
최근 실시간 처리를 위한 다양한 프레임워크가 오픈되어 있는데, 각 프레웜워크의 특성과 장단점을 비교해 보려고 합니다(원문 : cakesolution.net ). 실시간 분산 처리 프레임워크는, DAGs(Directed Acyclic Graphs)라 불리우는 데이터 처리 모델을 바탕으로, 수초(혹은 ms) 이내에 무한한 데이터의 처리, 집계, 분석을 할 수 있습니다. DAG는 아래 그림에서 볼 수 있듯이