DeepDive - 딥러닝 기초 스터디

머신러닝을 학습하면서 이론적 기초가 부족하다는 생각에 '혼자 공부하는 머신러닝+딥러닝' 교재를 도서관에서 빌려 독학을 시작했습니다!머신러닝을 처음 공부하는 사람도 쉽게 이해할 수 있도록 친절한 용어로 설명이 되어있다는 점에서 나에게 딱 맞는 책이라는 생각이 들었어요.

머신러닝 알고리즘의 성능을 정확히 평가하기 위해서는 훈련 세트와 테스트 세트를 구분해서 사용해야 합니다.훈련 세트: 머신러닝에서 학습에 사용되는 데이터 테스트 세트: 머신러닝에서 성능 평가에 사용되는 데이터데이터 준비특성 데이터인 fish_data와 타깃 데이터(라벨이

오늘의 학습 목표는 회귀 문제를 이해하고 K-최근접 이웃 알고리즘을 사용해서 농어의 무게를 예측하는 회귀 문제를 푸는 것입니다.지도학습 알고리즘은 크게 분류와 회귀로 나뉩니다. 분류: 샘플을 몇 개의 클래스 중 하나로 분류하는 문제 회귀: 임의의 어떤 숫자를 예측하는

오늘의 학습 목표는 K-최근접 이웃 회귀와 선형 회귀 알고리즘의 차이를 이해하고 사이킷런을 사용해 여러 가지 선형 회귀 모델을 만드는 것입니다.k-최근접 이웃 회귀 모델로 길이가 50cm인 농어의 무게를 예측했더니 실제 저울의 농어의 무게와 차이가 너무 많이 난다고 합

오늘의 학습 목표는 🥕 다중 회귀에 대해 배우고 사이킷런의 여러 도구를 다뤄보기 🥕 복잡한 모델의 과대적합을 막기 위한 릿지와 라쏘 회귀를 배우기 입니다! 1. 다중 회귀

오늘의 학습 목표는 🥕 로지스틱 회귀 알고리즘 배우기🥕 이진 분류 문제에서 클래스 확률 예측 입니다~!마케팅 팀에서 럭키백 프로모션을 제안했습니다. 럭키백의 물품은 생선으로 한정하기로 했는데요, 럭키백에 포함된 생선의 확률을 고객에게 알려주는 방향으로 이벤트를 수정

이번 시간 학습 목표는 🥕 경사하강법 알고리즘 이해하기 입니다!! 새롭게 해결해야 할 문제는 앞으로 계속 머신러닝 모델을 학습할 샘플 데이터들이 추가될거고 모든 생선이 도착할 때까지 기다릴 수는 없는 상황입니다. 데이터가 점점 늘어나면서 늘어나는 데이터를 반영해서 매

이번 학습 목표는🥕 결정트리 알고리즘을 사용해서 분류 문제 해결하기 입니다!!이번에는 레드와인과 화이트 와인을 알코올 도수, 당도, pH 값으로 구분하는 분류 모델을 만들어 보려고 합니다. 우선 로지스틱 회귀 모델을 적용해서 작업해보겠습니다. 와인 샘플 데이터를 불러

오늘의 학습 목표: 🥕 검증 세트 🥕 교차검증 🥕 그리드 서치 🥕 랜덤 서치 위 네 가지에 대해서 다뤄보겠습니다. 1. 검증 세트 테스트 세트를 사용하지 않고도 모델이 과대적합인지 과소적합한지 판단하기 위해서 훈련세트를 또 한번 나눠서 검증 세트를 만들

이번 챕터에서는 앙상블 학습이 무엇인지 이해하고 다양한 앙상블 학습 알고리즘을 실습해보겠습니다~❕ 1. 정형 데이터와 비정형 데이터 정형 데이터 지금까지 공부하면서 다뤘던 생선의 특성과 타겟 CSV 데이터, 와인 CSV 파일 등 어떤 정해진 구조로 되어있는 데이터

이번 학습의 키워드는 🩵 비지도 학습 🩵 군집 알고리즘 입니다!!비지도 학습 타깃이 없을 때 사용하는 머신러닝 알고리즘 과일 사진 데이터가 여러 개 주어졌을 때, 해당 사진이 어떤 과일에 해당하는지(타깃)를 모르는 상태에서 과일을 분류하는 작업을 해보려고 합니다.

오늘의 학습 목표는 📌 k- 평균 알고리즘 입니다! 1. K-평균 알고리즘 2. KMeans 클래스 `[2 2 2 2 2 0 2 2 2 2 2 2 2 2 2 2 2 2 0 2 2 2 2 2 2 2 0 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 0

이번 챕터에서는 합성곱 신경망의 기본 개념과 합성곱, 풀링 계산방법에 대해서 다뤄보겠습니다. 합성곱(convolution)밀집층과 비슷하게 입력과 가중치를 곱하고 절편을 더하는 선형 계산 밀집층과 달리 입력 데이터의 일부에 가중치를 곱함7장에서 다룬 밀집층에는 뉴런마다

학습 목표 🥕 케라스 API를 사용하여 합성곱 신경망 모델을 만들어 MNIST 이미지 분류 작업 1. 패션 MNIST 데이터 불러오기 실행마다 동일한 결과를 얻기 위해 케라스에 랜덤 시드를 사용하고 텐서플로 연산을 결정적으로 만들어둡니다. 합성곱 신경망은 2차

가중치 시각화 합성곱 층의 가중치를 이미지로 출력하는 것 가중치가 시각적인 패턴을 학습하는지 여부를 확인할 수 있음 합성곱 층의 각 필터는 커널이라 부르는 가중치와 절편을 가지고 있습니다. 가중치는 입력 이미지의 2차원 영역에 적용되어 어떤 특징을 크게 두드러지게 표현

이번 학습 키워드는 🥕 순차 데이터 🥕 순환 신경망 입니다. 1. 순차 데이터 > 순차 데이터 텍스트나 시계열 데이터와 같이 순서에 의미가 있는 데이터 > 시계열 데이터 일정한 시간 간격으로 기록된 데이터 지금까지 다뤘던 패션 MNIST 데이터나 생선 데

학습 목표 : 📌 텐서플로를 사용해 순환 신경망을 만들기📌 영화 리뷰 데이터셋에 적용하여 리뷰 긍부정 분류하기이번 챕터에서는 순환 신경망을 사용해서 IMDB 리뷰 데이터셋을 훈련해보겠습니다. 데이터셋은 1) 원-핫 인코딩 2) 단어 임베딩 의 두 가지 방법으로 변형

이번 시간에는 고급 순환층인 LSTM과 GRU에 대해 공부하겠습니다. 일반적으로 기본 순환층은 시퀀스가 길수록 순환되는 은닉 상태에 담긴 정보가 희석되기 때문에 학습이 어려워집니다. LSTM과 GRU 셀은 이 문제를 해결하기 위해 발명된 모델입니다. LSTM(Long