[Hands-On Machine Learning]

머신러닝은 데이터에서부터 학습하도록 컴퓨터를 프로그래밍하는 과학이다.

그야말로 엔드투엔드 머신러닝 프로젝트🤒

처음부터 끝까지 두 번째.

열심히 분류하기😴

모델 속으로 딥다이브

모델 훈련 두 번째.

결정트리는 분류, 회귀, 다중출력 작업이 가능한 다재다능한 머신러닝 알고리즘이다. 결정트리의 훈련, 시각화, 예측에 대해 알아보고 / CART 훈련 알고리즘과 규제, 회귀 문제의 적용에 대해 알아보자. 결정트리의 학습 코드를 보자. 이제 코드는 익숙하다!X 변수 중 길

여러 예측기에서 예측을 수집하면 가장 좋은 모델 하나보다 더 좋은 예측을 얻을 수 있다. 이런 일련의 예측기를 앙상블이라 부르며, 학습 과정은 앙상블 학습이라 하고, 앙상블 학습 알고리즘은 앙상블 방법이라고 한다. 앙상블 방법은훈련 세트로부터 무작위로 다른 서브셋을 만

차원의 저주란 훈련 샘플 각각이 가진 특성이 너무 많아져 훈련을 느리게 하고, 좋은 솔루션을 찾는 것을 방해하는 것을 말한다. 이런 경우 사용하는 것이 차원 축소이다. ✅ 차원을 축소시키면 일부 정보가 유실되어 속도가 빨라질 수 있지만 성능이 조금 나빠질 수 있다. 차

차원 축소의 두 번째 내용을 정리해보자🤔 8.4 커널 PCA 커널 PCA란 차원 축소를 위해 비선형 투영을 수행하는 것이다. 일반적으로 커널 트릭이란 샘플을 고차원 공간(특성공간)으로 암묵적으로 매핑하는 것을 말하고, 고차원 공간에서 선형인 경계가 원본에서 복잡한

비지도 학습은 현재의 대부분 머신러닝 애플리케이션에서는 소외받는 느낌이지만 현실은 다르다. 실제 세계에 존재하는 데이터 중 대부분의 데이터가 라벨이 없는 일반적인 데이터이므로 알고리즘 자체도 레이블이 없는 데이터를 바로 사용할 수 있을 경우 활용 분야가 클 것. 이제

이번 글에선 가우시안 혼합 에 대해서만 정리할 예정이다.

인공 신경망의 초창기 구조에 대해 알아보자다층 퍼셉트론 MLP 에 대해 알아보자케라스 API 를 통해 인공신경망을 구현해보자시냅스 말단을 통해 다른 뉴런의 수상돌기, 세포체에 연결된다 각 뉴런은 신호라 불리는 전기 자극을 만듦신호는 축삭돌기를 따라 시냅스가 신경 전달물

층의 개수뉴런 개수활성화 함수가중치 초기화 전략 등 수정 가능 역시나 GridSearchCV나 RandomizedSearchCV 를 사용해 공간을 탐색할 수 있다. 먼저 모델을 만들고 컴파일하는 함수를 만들자. 함수를 만들고 난 후 KerasRegressor 클래스의

심층 신경망은 다음과 같은 문제에 직면할 수 있다. 그레디언트 소실, 그레디언트 폭주 문제 데이터 불충분극단적으로 느린 훈련 속도, 과대적합 이제 다음과 같은 문제들을 알아보자. 그레디언트 소실, 폭주와 해결 전이학습과 비지도 사전훈련(unsupervised pretr

훈련 속도를 높이는 방법은 현재까지 알아본 방법으로 가능하다. 가중치의 초기화 방법 좋은 활성화 함수배치 정규화 사전 훈련된 네트워크 일부 재사용 이 외에도 훈련 속도를 높이려면 최적화 방법을 다르게 사용할 수 있다. (더 빠른 최적화 방법으로) 따라서 모멘텀 최적화

심층 신경망은 수만, 수백만 개의 파라미터를 가지고 있으므로 네트워크의 자유도가 매우 높다. 그러나 이런 자유도를 가지면 역시나 오버피팅의 위험이 있으므로 규제가 필요하다. L1, L2 규제드롭 아웃맥스 노름 규제를 알아보자!

텐서플로를 통해 저수준 파이썬 API를 만들어보자!손실함수지표층모델초기화규제가중치 규제등을 직접 제어해보자. 텐서플로는 대규모 머신러닝에 맞도록 튜닝된 수치 계산용 라이브러리이다. GPU / 분산 컴퓨팅을 지원한다계산 그래프를 추출하고 최적화하여 JIT 컴파일러를 포함

합성곱 신경망은 대뇌의 시각피질 연구에서 시작되었고, 1980년대 이미지 인식 분야에서 사용 시각분야에 국한되지 않고 음성 인식, 자연어처리와 같은 작업에도 사용 메인은 시각CNN의 배경과 구성요소, 구현방법과 뛰어난 성능을 보이는 CNN구조 몇 개를 알아보자. Ojb

케라스를 사용해 직접 ResNet-34를 구현해보자. 구현할 모델의 구조는 다음과 같다. main layers 는 오른쪽 모듈, skip layers 는 왼쪽 모듈 call() 메서드에서 입력이 들어오면 main 과 skip 에 통과시키고, 출력을 더하고, 활성화 함수

케라스를 사용해 직접 ResNet-34를 구현해보자. 구현할 모델의 구조는 다음과 같다. main layers 는 오른쪽 모듈, skip layers 는 왼쪽 모듈 call() 메서드에서 입력이 들어오면 main 과 skip 에 통과시키고, 출력을 더하고, 활성화 함수

오늘은 (끝난 지 시간이 꽤 지난) <핸즈온 머신러닝> 스터디 회고를 하려한다. 스터디 종료 직후 바로 글을 작성하려 했으나.. 기말고사 기간과 겹쳤고, 미루고 미루다 쓰는 회고다. 그래도 나름 시험 기간 중 지난 학습했던 것/느꼈던 것들을 곱씹어 봤으니, 오히려