딥러닝
1.Lec-01 기본적인 머신러닝의 용어와 개념
Sung Kim님이 유튜브에 올려주신 '모두를 위한 딥러닝 시즌2 - Tensorflow' 강의를 듣고 딥러닝 공부를 시작하려고 한다-!
2.Lec-02 Simple Liner Regression
회귀란 무엇인가?"Regression toward the mean"전체의 평균으로 되돌아간다.선형회귀란?데이터를 가장 잘 대변하는 직선의 방정식을 찾는 것.Predicting exam score: regression공부한 시간이 길수록 점수가 높게 나온다. 어떤 값들이
3.Lec-02 Simple Liner Regression LAB
Hypothesis and CostHypothesis : H(x) = Wx + bCost: cost(W,b) = 1/m\~~ 수식 다시 적어올 것.: 에러 제곱의 평균값cost가 최소화 되는 W와 b값을 구하는 것을 학습이라고 할 수 있음.cost function을 t
4.Lec-03 Liner Regression and How to minimize cost
Simplified hypothesisHypothesis : H(x) = WxCost : cost(W) = 1/m\~~ 추가Cost 어떻게 생겼는가?W에 따라서 cost가 어떻게 되는가1) W = 0, cost(W) = 4.67 1/3((01-1)제곱 + (02-2)제
5.Lec-03 Liner Regression and How to minimize cost LAB
Cost function in TensorFlowGradient descent
6.Lec-04 Multi variable linear regression
변수가 하나 일때 가설 함수는 아래와 같이 표현한다.H(x) = Wx + b변수가 여러 개일때는? H(x1, x2, x3) = w1x1 + w2x2 + w3x3 + b변수가 늘어난 개수만큼 가중치가 필요로 된다.Multi-variable변수가 늘어나면 가중치의 개수도
7.Lec-04 Multi variable linear regression LAB
8.Lec-05 Logistic Regression
Classification - Binary Classification : 시험 - Pass / Fail : 스팸 - Yes / No : 얼굴 - Real / Fake : 머신러닝을 하기 위해서는 0과 1 Binary Classification을 위한 두 가지의 값으로
9.Lec-05 Logistic Regression(2)
Cost Function : to fit the paramters(W) : 주어진 데이터를 통한 학습을 통해서 최적의 parameter값을 찾을 수 있음 > : Cost값을 최소화하기 위한 과정은 실제 가설을 통해 나온 값에서 실제 라벨 값의 차이가 가장 최소화 되
10.Lec-06 Softmax Regression
Multinomial classificationex) 성적(A,B,C)을 5명에게 부여할 때 표현은 아래와 같다.1) A or not 2) B or not 3) C or not: class file을 표현할 때 행렬로 구현: 3가지 경우에 대해 독립적으로 구현하면 복
11.Lec-07 application and tips
Learning rate: Gradient, 기울기: learning rate와 기울기의 연관관계를 통해서 학습을 위한 최적의 모델 값을 찾아낼 수 있음.: hyper-parameter(모델을 만들어가기 위한 설정 값), =얼마나 최적화해서 모델을 만들어내는지: 얼마만
12.Lec-08 딥러닝의 기본 개념
: AND 혹은 OR의 logic을 풀 수만 있다면 생각할 수 있는 기계를 만들 수 있다고 생각: 이것을 기계가 예측할 수 있도록 하는 것이 가장 중요한 문제 중 하나였음: 0,1 / 1,0 다를 때 1: 0,0 / 1,1 같을 때 0: linear하게 선을 그어도 x
13.Lec-09 XOR 문제 딥러닝으로 풀기
0,0 -> 0(-)0,1 -> 1(+)1,0 -> 1(+)1,1 -> 0(-): XOR문제를 푸는 방법으로 제시network : programming code : 기계적으로/ 자동적으로 어떻게 학습시킬 수 있을까?: Gradient descent 알고리즘 사용 - 미
14.Lec-10 Relu
Problem of Sigmoid: output과 실제 정답 데이터(=ground-truth)와 얼마만큼 차이가 나는지를 loss라고 부름: loss를 미분한 것을 backpropagation하면서 network를 학습 시킴: backpropagation으로 전달되는
15.Lec-11 ConvNet의 Conv 레이어 만들기
Sequence data: 음성 인식, 자연어 등이 Sequence data의 예시: 이전에 데이터들을 기반으로 현재의 데이터를 이해하는 것이 Sequene data이다.: NN(Neural Network), CNN(Convolutional Neural Network)
16.Lab-11 CNN Basics Convolution
Lab-11 CNN basics convolution
17.Lec-12 NN의 꽃 RNN 이야기
Sequene data: 음성 인식, 자연어 모두 sequence로 되어 있음
18.Reinforcement Learning - DQN
Reinforcement Learning (강화 학습) : 현재 상태 S에서 행동 a를 결정하고 그에 따른 보상을 받아 행동을 수정한다. : Q테이블은 각 상태집합에서 행동에 따른 우선순위가 있는 테이블이다. : Q(S, a)는 상태 S에서 a라는 행동을 했을때의 이득