어댑티브 언샤프 마스크 기반 이미지 샤프닝 프로젝트프로젝트 개요본 프로젝트는 전통적인 언샤프 마스크(Unsharp Mask, USM) 기법을 확장하여, 이미지의 패치 단위 특성(밝기 평균, 표준편차, 주파수 비율)을 입력으로 활용해 최적의 k(샤프닝 강도) 를 학습, 예측하는 Adaptive Sharpening System을 구축하는 것을 목표로 합니다.특히, 단순 고정 k값이 아니라 Grid Search + 머신러닝 회귀 모델(XGBoost) 을 통해 PSNR, SSIM 기반 최적 k-map을 생성하고, 선명도를 극대화하는 데 중점을 두었습니다.프로젝트의 주요 모듈은 다음과 같이 구성되어 있습니다:preprocessing.ipynb : 데이터셋 생성, 패치별 피처 추출 및 그리드 서치 기반 타겟 k 생..

#1 프로젝트 개요본 프로젝트는 실제 수질 데이터를 활용하여 pH 수치를 예측하기 위한 머신러닝 회귀 모델을 구축하는 것을 목표로 합니다. 특히, 선형 모델인 ElasticNet 회귀와 비선형 앙상블 모델인 Random Forest 회귀의 성능을 비교 분석하고, 과적합 문제와 각 모델의 특성 기여도를 해석하는 데 중점을 두었습니다.이를 통해 각 모델의 장단점을 파악하고, 주어진 데이터에 더 적합하고 신뢰성 있는 모델이 무엇인지 평가했습니다.출처서울시공공데이터#2 프로젝트 워크플로우 및 성능 분석 ElasticNet 회귀 (다항 특성 + 표준화)MAE0.16900.1141RMSE0.20850.1709ElasticNet 모델은 일반화 성능이 우수하다고 판단됩니다. 훈련 세트와 테스트 세트의 오차율이 비슷하..

#1 프로젝트 개요본 프로젝트는 서울시의 대기오염 및 기상 데이터를 활용하여 다음 날의 초미세먼지(PM2.5) 및 미세먼지(PM10) 농도를 '좋음' 또는 '나쁨'으로 예측하는 머신러닝 모델을 개발하고 성능을 다양한 지표를 활용하여 분석하는 것을 목표로 합니다.특히, 공중 보건에 치명적인 '나쁨' 단계를 '좋음'으로 잘못 예측하는 경우(False Negative)를 최소화하는 데 중점을 두었습니다. 이를 위해 데이터 전처리, 특성 공학, 클래스 불균형 문제 해결, 모델 성능 평가에 이르는 전 과정을 체계적으로 수행했습니다.프로젝트 관련 상세 설명은 아래 세 개의 주피터 노트북으로 구성되어 있습니다:preprocessing.ipynb : 대기오염 및 기상 데이터를 정제하고 병합합니다.training.ipy..