머신러닝을 위한 파이썬 한 조각

소개 책 "머신러닝을 위한 파이썬 한조각"과 저자의 유튜브 머신러닝 강의 약 40편을 전부 정독하고 필요한 부분을 정리하였다. 유튜브 머신러닝 강의 링크 머신러닝을 위한 기초적인 파이썬 지식부터, 미분과 선형회귀를 포함한 수학적/통계적 지식으로 책의 초반부가 구성되

회귀와 분류 회귀: 연속적인 데이터를 학습한 후, 학습된 결과를 바탕으로 데이터에 대한 미래 값을 예측하는 것 분류: 이 데이터가 어느 분포에 속하는지 파악하는 것 텐서플로, 케라스 등 딥러닝 프레임워크를 사용하지않고 파이썬만으로 직접 구현하여 머신러닝

파이썬 데이터 타입리스트양수 인덱스와 음수 인덱스(역순) 존재 슬라이싱빈 리스트 생성 후 append로 원소 추가 가능튜플리스트와 유사하지만 ()을 사용하고 원소를 변경할 수 없음딕셔너리입력한 순서대로 데이터가 들어가는 것이 아니므로 주의score.keys(), sc

머신러닝 코드 개발에 자주 사용되는 벡터, 행렬 등을 표현하고 연산할 때 반드시 필요한 라이브러리형 변환 rehape()vector를 matrix로 변경하거나 matrix를 다른 형상의 matrix로 변경하기 위해 사용행렬 곱 np.dot(A,B)행렬 A의 열 벡터와

미분의 개념과 인사이트 입력변수 x가 미세하게 변할 때, 함수 f(x)가 얼마나 변하는지 알 수 있는 식을 구하는 것함수 f(x)는 입력 x의 미세한 변화에 얼마나 민감하게 반응하는지 알 수 있는 식을 구하는 것머신러닝에서 자주 사용되는 함수의 미분 공식편미분입력변수

regression - 학습(learning) 개념입력(x)과 출력(y)은 y = Wx + b 형태로 나타낼 수 있음y = Wx + b는 다양한 직선의 형태를 띨 수 있는데, training data의 특성을 가장 잘 표현할 수 있는 가중치 W와 바이어스 b 를 찾는

논리게이트는 손실함수로 cross-entropy를 이용해서 Logistic Regression (Classification)알고리즘으로 데이터를 분류하고 결과를 예측할 수 있음전체 구조 XOR은 NAND, OR, AND 조합으로 구현 머신러닝 XOR 문제는

뉴런은 이전 뉴런으로부터 입력신호를 받아 또 다른 신호를 발생시킴입력에 비례해서 출력을 내는 형태 (y=WX)가 아니라, 입력 값들의 모든 합이 어느 임계점(threshold)에 도달해야만 출력 신호를 발생시킴입력신호를 받아 특정 값의 임계점을 넘어서는 경우에 출력을

필기체 0~9까지의 데이터셋, 60000개 트레이닝 데이터, 10000개 테스트 데이터train data: 1개의 데이터는 785개의 숫자가 ,로 분리되어 있는데, 정답을 나타내는 1개의 숫자와 필기체 숫자 이미지를 나타내는 784개의 숫자로 구성 1개의 레코

가중치나 바이어스가 변할 때 최종오차가 얼마나 변하는지를 나타내는 편미분을, 체인룰(chain rule)을 이용하여 위 식의 1,2,3 처럼 국소(local) 미분으로 분리한 후, 국소 미분을 수학 공식으로 나타내서 계산하는 방법오차역전파는 수치미분을 사용하지 않고 행

TensorFlow: 텐서(Tensor)를 흘려보내면서(Flow) 머신러닝과 딥러닝 알고리즘을 수행하는 라이브러리숫자 (스칼라 또는 rank 0 텐서)1차원 배열 1, 2 (벡터 또는 rank 1 텐서)2차원 배열 \[ 1,2, 3,4 ] (행렬 또는 rank 2

CNN 아키텍처 기존 Neural Network의 은닉층 부분이 여러개의 컨볼루션층과 완전연결층으로 구성됨완전연결층: 컨볼루션층의 3차원 출력값을 1차원 벡터로 평탄화하여 일반 신경망 연결처럼 출력층의 모든 노드와 연결시켜주는 역할 수행, tf.reshape(

일반신경망과 RNN의 차이점 은닉층의 출력값을 만들어주는 활성화함수가 relu가 아닌 tanh임은닉층의 출력값을 출력층으로 전달해줌과 동시에 은닉층 출력값이 다시 순환되어 은닉층에 입력값으로 들어감RNN 순환신경망내부적으로 순환(recurrent)되는 구조를 이용하여