글

라벨이 Coursera - Machine Learning(Andrew Ng)인 게시물 표시

[ Architecture, Technology ,Web ] SSO(Single Sign On) 그리고 SAML에 대해

-
이미지
이번 프로젝트 내부에서 어쩌다보니  유저 인증 관련 업무를 담당하게 되었고, 해야하는 업무는 내부에 사용했던 적이 없던  새로운 개발 플랫폼에서  SSO의 프로토콜 중  SAML을 이용해 앱의 인증을 구현해야만 했다. SSO를 생각해본적 조차 없는 상황에 이를 새로운 개발 플랫폼에 도입해야 했기 때문에 많은 시행착오를 겪었으나 구현에 성공하였으며 덕분에 SSO에 대한 전반적인 지식을 쌓을 수 있었다. 이번에는 그러한 과정에서 나온 지식들과 경험을  공유하고자 한다. SSO에 대한 정의 먼저 사전적 정의 부터 살펴보자. 다만, 기술적인 용어다보니 자주 사용하는 옥스포드 사전에 정의를 찾을 수 없기 때문에  검색으로 찾을 수 있는 정의를 몇 가지 살펴보고 교차 검증을 해보자. 첫 번째 정의를 살펴보자. Single sign-on (SSO) is an identification method that enables users to log in to multiple applications and websites with one set of credentials.  SSO는 웹사이트에서 한 번의 인증(one set of credentials)으로 복수의 어플리케이션에 로그인 할 수 있는 인증(identification) 방법(method) 이다. 두 번째는 위키피디아의 정의이다. Single sign-on (SSO) is an authentication scheme that allows a user to log in with a single ID to any of several related, yet independent, software systems. SSO는 독립적이지만 연관되어있는 몇몇 소프트웨어에 대해 하나의 ID로 로그인을 할 수 있도록 하는 인증 구조(scheme) 세부 설명에 조금 차이가 있어 보이지만 전체적인 틀은 매우 비슷해 보인다.  몇 가지 포인트가 되는 단어를 추출해 이를 연결해보자면 아래와 같은 의미를 산출 할 수 있다. 독립적이지만 연관되어 있
자세한 내용 보기

[ Machine Learning by Andrew Ng ] Computring Parameters Analytically (머신 러닝 - 컴퓨팅 파라메터 분석)

-
이미지
자세한 내용 보기

[ Machine Learning by Andrew Ng ] Multivariate Linear (머신 러닝 - 다중 요소)

-
이미지
자세한 내용 보기

[ Machine Learning by Andrew Ng ] Gradient Descent (머신 러닝 - 기울기 하강 )

-
이미지
자세한 내용 보기

[ Math ] proof of differential that Backpropagation algorithm sigmoid function (머신 러닝 - 역 전파 알고리즘 시그모이드 함수 미분의 증명)

-
이미지
자세한 내용 보기

[ Machine Learning by Andrew Ng ] Hypothesis Function and Cost Function(머신 러닝 - 가설 함수와 비용 함수)

-
이미지
Hypothesis Function and Cost Function(가설 함수와 비용 함수) 데이터들의 집합인 가설 함수(Hypothesis Function)와 해당 데이터들의 값과  가장 오차가 적은 즉, 최소값인 θ0, θ1를 구하는 것이 비용 함수(Cost Function)이다. 비용 함수를 이용하는 이유는 수 많은 데이터들을 분류할 기준이 필요하게 되는데, 그 기준에 해당하는 선을 구해야 한다.  하지만 머신 러닝의 훈련 예제로 들어가는 데이터들이 많다. 따라서, 이 많은 데이터들을 고려했을 때의 가장 근접한 값을 구해야 한다. 이 근접한 값이 비용 함수(Cost Function) θ0, θ1이다. 따라서 가설함수의 매개변수에 해당하는 θ 0 , θ 1 를 결정해야 하는데 , 비용 함수(Cost Function)의 요소  θ 0 ,  θ 1   구해 hθ = θ 0 + θ 1 x 그래프를 정하면 된다 . 위의 그림과 같이 θ 0 , θ 1 값에 따라 그래프가 달라지기 때문에   데이터들과 가장 근접하도록 θ 0 , θ 1 를 결정해야 한다 . 따라서 위에서 여러번 언급했듯이 θ0, θ1를 결정해야 한다. 단순히 오차를 구하게 되면 음수 값이 나올 수 있기 때문에  그 값을 제곱 해 준 값을 비용 함수(Cost Function)로 한다. 비용 함수를 이용하는 이유를 다시한번 정리해보자면,  분류를 하기 위해 선을 그어야 하는데, 선을 어디다 그어야 할지 정할 수 없다.  따라서 데이터 집합들과 거리의 오차가 가장 적은 선을 구해야 하는데,  이 선의 매개변수인 θ0(y절편), θ1(x절편)를 구하기 위해 사용한다. 이렇게 구한 값들을 이용해  최종적으로  위의 그림의 가설 함수(Hypothesis Function)를  완성하면 된다. 그럼 이제 예를 들어 좀 더 쉽게 이해해보자. 가설 함수(Hypothesi
자세한 내용 보기

[ Machine Learning by Andrew Ng ] Define of Machine Learning(머신 러닝의 정의)

-
이미지
Define of Machine Learning(머신 러닝의 정의) ① 사무엘(Arther Samuel,1959)의 정의 사무엘은 기계학습 (Machine Learnig) 이란   컴퓨터가 명시적 (explicit) 프로그램이 없이도 스스로 학습할 수 있는 능력을 연구하는  학문 분야 라고 정의 했다 . 사무엘은 1950 년대에 체스 게임을 직접 수행하는 프로그램을 만들면서 유명해졌다 . 하지만 사무엘은 체스 게임을 잘 하지 못했지만 , 프로그램이 게임을 수 만번 반복하게 해 ,  상황에 따라 수의 좋고 나쁨을 판단 하라 수 있게 되었다 .  결국 이 프로그램은 사무엘 보다 체스 게임을 잘하게 되었다 . ② 톰 미첼(Tom Mitchell, 최근)의 정의 카네기 멜론 (Carnegie Mellon) 대학교 교수인 톰 미첼은   기계학습을 ' 학습 과제 (Well-posed learning problem)' 중심으로 정의하고 있다 . 프로그램이 일정 수준의 작업 성능 (P, performance) 를 가지고 작업 (T,task) 을 수행한다 고   가정 했을때 , 경험 (E, experience) 이 증가함에 따라   작업 (T, task) 을 수행하는   성능 (P, performance) 가 향상될 수 있다 라며 설명했다. 이때 프로그램이 경험 (E) 로 부터 학습 (learn) 을 했다고 표현한다 . 미첼의 정의를 체스 게임에 대입해보자 . 체스에서 경험 (E, experience) 는 ' 같은 게임을 수만 번 반복하는 과정 , 작업 (T, task) 는 체스 게임을 수행하는 행위 , 작업 성능 (P, performance) 는 프로그램이
자세한 내용 보기