12/19기존에는 데이터를 나눌 때 섞어서 나누었는데 시계열 데이터에서는 섞어서 나누지 않고 순서를 고려해서 나눈다자연어 텍스트를 시퀀스 인코딩 했던 것처럼 언어도 맥락이 있기 때문에 섞으면 원래 의미를 잃어버릴 수 있다💥 시계열 데이터에서도 순서가 중요ex) 지난

12/12이번주 목요일에는 보강이 있습니다. 다음주 수요일에도 보강이 있습니다.CNN은 주로 이미지에 주로 사용이되고 물론 텍스트에도 사용을 합니다. 하지만 이미지에서 더 나은 성능을 보여줍니다.텍스트 분석을 할 때 머신러닝(Bag Of Words, TF-IDF), 딥

✨DNN과 CNN에 대해 알아보자잉~✨: 사람의 신경망 원리와 구조를 모방하여 만든 기계학습 알고리즘이자 모든 비선형 함수를 학습🎈 다수의 입력 데이터를 받는 입력층(Input) -> model = Sequential()🎈 입력층과 출력층 사이에 존재하는 은닉층(H

12/5Q. 레이어 층만 보고 회귀 모델이라는 것은 어떻게 알 수 있을까?A. loss에 손실함수를 작성하면 알 수 있다\-> 분류에서도 activation function을 지정하지 않으면 출력층을 Dense(1 or 3 ...등)로 입력할 수 있음✒ 분류 문제는 b

11/28Q. 정확도로 제대로 된 모델의 성능을 측정을 하기 어려운 사례는 어떤게 있을까?A. 희귀병 검사결과, 불량품 검출(양불 여부), 스팸메일 분류, 은행 대출 사기, 신용카드 사기, 상장폐지종목 여부, 게임 어뷰저, 광고 어뷰저, 그외 어뷰저=> 이런 사례는

TP(True Positive) : 참긍정, 병에 관해 예 (병이 있을것이다.)라고 예측한 환자가 실제 병을 가진 경우TN(True Negative) : 참부정, 병에 관해 아니오(병이 없을 것이다)라고 예측한 환자가 실제로 병이 없는 경우FP(False Positiv

특징다른 모델들에 비해 간단한 작동 원리학습 속도가 매우 빠름조정해줄 파라미터가 적다이상치에 영향을 크게 받음데이터가 수치형 변수로만 이뤄졌을 경우, 데이터의 경향성이 뚜렷할 경우 사용하기 좋음선형회귀를 보완한 모델RidgeLassoElasticNet특지만들어진 모델에

🎈1. 분류와 회귀 작업 및 다중 출력 작업이 가능한 다재다능한 머신러닝 방법론🎈2. IF-THEN 룰에 기반해 해석이 용이ex) Sunny일 때 노는 경우 2, 안 노는 경우3overcast일 때 노는 경우 4, 아닌 경우 0Rainning일때 나가서 노는 경우

머신러닝 모형: Loss 함수를 정의하고 그 loss 함수를 최적화 하는 것Loss: 실제값과 측정값이 차이를 어떻게 정의하는가 ex)MSE\-> KNN & decision tree는 수학적인 loss 함수는 없지만 majority voting 등을 통해 loss를 최

🎈Dataset: 정의된 구조로 모아져 있는 데이터 집합🎈Data point(observation): 데이터 세트에 속해 있는 하나의 관측치 🎈feature(variable, attribute): 데이터를 구성하는 하나의 특성(숫자형, 범주형, 시간, 텍스트, 이

머신 러닝: 인공지능을 구현하는 방법 중 하나, 유용한 함수를 사용하여 학습하는 것ex) 암 진단, 자율주행자동차를 운행하는 데 있어서 안전도를 검증과거의 AI: Knowledge Engineering\-> 지식을 잘 조직해서 유용한 함수 만들기(사람이 함수를 직접 코

정의: 여러 머신 러닝 모델을 연결하여 더 강력한 모델을 만드는 기법→ 강력한 하나의 모델을 사용하는 대신 보다 약한 모델 여러 개를 조합하여 더 정확한 예측에 도움을 주는 방식앙상블 학습 유형🎈1. voting• 여러 개의 분류기가 투표를 통해 최종 예측 결과를 결

❓ 범주가 적은 값을 피처로 만들어주면 생기는 문제❗ 과대적합❓ 너무 희소한 값이라면 one-hot-encoding할 때 어떤 전처리를 할 수 있을까?❗ ordinal과 one-ho encoding으로 이산화, '기타' 등으로 data binning, 결측치로 처리❓

=> 지정된 조합만 보기 때문에 해당 그리드를 벗어나는 곳에 좋은 성능을 내는 하이퍼파라미터가 있다면 찾지 못하는 단점이 있습니다.=> 랜덤한 값을 넣고 하이퍼파라미터를 찾습니다. 처음에는 범위를 넓게 지정하고 그 중에 좋은 성능을 내는 범위를 점점 좁혀가면서 찾습니다

✅MAE(평균절대오차)오차값의 describe 값 중 mean 값mae = abs(y_train - y_predict).mean()\-> 음수 값을 정확히 하기 위해 오차에 절대값을 적용해주어야 함 (abs)✅MAPE(실제값 - 예측값/ 실제값)의 절대값에 대한 평균실

python을 대표하는 머신러닝 라이브러리데이터 분석을 위한 간단하고 효율적인 도구오픈소스, 상업적으로 사용 가능주요 기능 6가지<출처: Scikit-learn 공식 문서>⭐classification (분류): 범주화, 카테고리를 나누는 것 ex) 범주화된 데