create --name tf210 python-3.10.0
activate t210 (가상환경 진입)
conda install tensorflow (텐서플로우 설치)
conda env list (리스트 확인)
activate tf210 (가상환경 진입)
python -V (파이선 버전)
conda deactivate (가상환경 나오기)
conda list
conda install scikit-learn
conda install matplotlib
conda install numpy
conda install pandas
conda remove --name tf210 --all
파이썬 기초
a = 10
b = 20
c = a + b
d = a*b
e = b/a
print("첫번째 변수 :", a)
print("두번째 변수 :", b)
print("덧셈 결과 :", c)
print("곱셈 결과 :", d)
print("나눗셈 결과 :", e)
# 리스트
a = [34, 35, 22, 53, 62, 19]
print(a)
print(a[0])
print(a[3])
# 문제 1
print('makit "code" lab')
print("she's gone")
# 문제 2
a = 10
b = 20
print("a의 값은", a)
print("b의 값은", b)
print("a와 b의 합은", a + b)
'''
문제 3
a = 10;
b = 'makit '
print 된 결과물은 a = 30
b 는 makit makit makit 이 출력된다
'''
# 파이썬은 다양한 타입이 리스트에 들어 올 수 있다..
b = [ 'james', 21, 175.3, True]
print(b)
# 문제 4
a = ['메이킷', '우진', '시은']
print(a)
for a_ in a :
print(a_)
print("====================")
# 문제 5
a = ['메이킷', '우진', '제임스', '시은']
print(a[0:2])
print(a[1:4])
print(a[2:4])
print(a)
print("====================")
# 문제 6 , 7
a = ['우진', '시온']
b = ['메이킷', '소피아', '하워드']
print(a+b)
print(b)
print(a)
print(b + a)
# 문제 8
a = np.array([[1, 2, 3], [4, 5, 6]])
print("Original :\n", a)
a_transpose = np.transpose(a)
print("Transpose :\n", a_transpose)
console
Original :
[[1 2 3]
[4 5 6]]
Transpose :
[[1 4]
[2 5]
[3 6]]
# 문제 9
b = np.array([[1, 2, 3], [4, 5, 6]])
print("Original :\n", b)
b_reshape = np.reshape(b, (3,2))
print("Reshpae :\n", b_reshape)
Reshpae :
[[1 2]
[3 4]
[5 6]]
list를 붙일때 사용 가능..
b.extend(a) => extend는 b+a가 붙은 리스트가 b에 들어가 버리는 것!
numpy의 array 기능 : np.transpose의 경우, 2차원 배열에서 배열의 인덱스끼리 묶어서 보여준다.
Reshape의 경우 reshpae(기존배열, (3행,2열)) : 내가 원하는 행과 열로 설정하면 거기에 맞게 나눠줌..
인공지능은 4개의 단계
#1. 데이터
import numpy as np
x = np.array([1, 2, 3])
y = np.array([1, 2, 3])
#2. 모델구성
# from tensorflow.python.keras.models import Sequential
# from tensorflow.python.keras.layers import Dense
from keras.models import Sequential
from keras.layers import Dense
model = Sequential()
model.add(Dense(4, input_dim=1))
model.add(Dense(10))
model.add(Dense(5))
model.add(Dense(3))
model.add(Dense(2))
model.add(Dense(1)) #output => 몇개를 예측할거야
#3. 컴파일, 훈련
model.compile(loss='mse', optimizer='adam')
model.fit(x,y, epochs=1000)
#4. 평가, 예측
loss = model.evaluate(x, y)
print('loss :', loss)
result = model.predict[4]
print('4의 예측값 :', result)
'Sequential' 클래스를 사용하면 신경망 모델에 대한 계층의 선형 스택을 만들 수 있습니다. 'Dense' 레이어는 신경망에서 완전히 연결된 레이어를 나타냅니다.
첫 번째 계층에는 4개의 단위/뉴런이 있고 차원 1의 입력이 예상됩니다. 후속 계층에는 각각 10, 5, 3 및 2개의 단위/뉴런이 있습니다. 마지막으로 모델의 출력 레이어가 될 1단위의 Dense 레이어가 추가됩니다.
mse => 평균 제곱 오차
mae => 평균 절대값 오차