지도학습의 5단계
- 모델은 함수다
- 모델의 모양은 parameter에 의해 결정된다.
- 이는 모델이 1차함수가 될 수도 있고, 2차식이 될 수도 있다는 의미
- loss/cost 함수 : 모델이 input과 output을 잘 설명하고 있는지 알려주는 척도
- optimization : 모델이 가진 파라미터를 최적의 파라미터로 만들기위한 목적
- 훈련이 얼마나 잘 되었는가 -> 테스트 과정
- 학습의 5단계 : data -> 모델 (함수, 파라미터) -> loss함수 정의 -> 최적화 -> 테스트
- 모델의 파라미터는 사용자가 정하는 것 (data를 보고 data의 특성이 가장 잘 드러나도록 정하는 것)
- 데이터가 들어오면 모델이 파라미터에 의해 값을 내고 이 값이 타겟을 얼마나 잘 설명하는지 loss함수로 값을 내고, 이 손실함수의 값을 가져와 파라미터를 업데이트하며 최적화(GD)를 진행한다.
=> target을 잘 설명하는 파라미터의 최적값을 찾아내는 것이 학습의 목표 - 최적의 파라미터를 찾아내면 그 파라미터를 이용해 새로운 data를 넣어서 아웃풋을 보고 테스트 진행
- 검증데이터와 테스트 데이터는 다른것 (검증은 train 데이터의 일부를 떼서, 검증에 활용)
(data를 묶어서 처리하는 방식 : batch, 묶음, 다발) - full-batch : 모든데이터를 한번에 입력해서 파라미터를 업데이트
- mini-batch : 데이터셋을 쪼개서 사용
- 데이터는 tensor로 표현 (스칼라 : 하나의 값(점) | 벡터 : 스칼라의 모음(선) | 메트릭스 : 행과 열로 표현(면) | 텐서 : 3차원 공간상에 depth도 포함)
- 이미지 : 픽셀로 구성 (픽셀은 0~255 크기)
