혼자 공부하는 머신러닝 딥러닝

물건을 판매하는 앱 마켓에 특정 카테코리의 이름을 자동으로 알려주는 머신러닝을 개발한다.특정 물건은 생선이다. 도미, 곤들매기, 농어, 강꼬치고기, 로치, 빙어, 송어이다.이 생선들을 프로그램으로 분류한다고 가정하자. 어떻게 프로그램을 만들어야 할까? 특성을 알아야한

머신러닝 알고리즘은 지도 학습(supervised learning)과 비지도 학습(unsupervised learning)으로 나눌 수 있다. 지도학습은 학습 알고리즘을 위한 데이터와 정답이 필요하다.지도학습에서 생선의 길이와 무게는 입력(input)과 타깃(targe

데이터 전처리 방법을 알아본다.35 빙어 14 도미 데이터타겟 데이터는 1과 0을 여러번 곱해서 만드는 것 보다 numpy의 np.ones(), np.zeros()를 사용하여 쉽게 처리할 수 있다.두 배열을 연결할 때 class 단위로 분류하기 때문에 일차원 배열로 만

지도 학습 알고리즘은 크게 분류(Classification)와 회귀(Regression)로 나뉜다. 분류는 샘플을 클래스 중 하나로 분류하는 것이다. 회귀는 클래스 중 하나로 분류하는 것이 아니라, 임의의 어떤 숫자를 예측하는 방법이다.예를 들어, 내년도 경제 성쟝률을

이전 모델의 내용을 그대로 가져와 확인합니다.50cm, 100cm 농어를 예측해보자.위의 코드에서와 같이 50cm, 100cm의 농어의 무게가 동일하게 나온다 문제가 뭘까?바로 이웃한 샘플의 데이터를 통해 예측을 한다는 것이다. 이 모델에서 학습한 샘플의 최고 길이는

이전 포스트에서 다룬 농어는 과소적합이 있었다. 훈련 셋의 R^2값이 낮았던 것이다.이를 해결하기 위해 feature을 더 추가하여 다중 회귀 모델을 사용해보자. 다중 회귀란 두 개 이상의 특성을 사용한 선형 회귀를 의미한다.이 말은, 특성이 두 개라면 3차원의 평면을

성질들을 이용하여 특정 타깃일 확률을 구하는 머신러닝을 구현해보자.특정 타깃일 확률이란 모든 class에 대한 확률을 의미한다. 이 중 가장 높은 것이 유력할 것이다.feature는 길이, 높이, 두께, 대각선의 길이, 무게를 사용한다.class 7개를 사용할 것이며

학습할 데이터가 점진적으로 제공될 때 사용할 수 있는 알고리즘이다.만약 매일 제공되는 데이터를 학습한다면 시간이 지날수록 데이터가 늘어나, 서버를 늘려야한다.이를 해결하기 위해 새로운 데이터가 제공될 때, 기존의 데이터를 버리는 방식을 사용할 수 있다. 기존의 데이터를

와인 데이터를 통해(도수, 당도 pH 값) 로지스틱 회귀 모델을 적용하여 훈련, 예측해보자.도수, 당도, pH이다. 그리고 class는 0이면 레드, 1이면 화이트 와인이다.로지스틱 회귀 모델을 이용한다면 화이트 와인이 1이다. 즉 양성클래스이다. 이를 골라내는 문제이