혼자 공부하는 머신러닝 + 딥러닝

인공지능이란??: artificial intelligence. 사람처럼 학습하고 추론할 수 있는 지능을 가진 컴퓨터 시스템을 만드는 기술.머신러닝이란??: machine learning. 규칙을 일일이 프로그래밍하지 않아도 자동으로 데이터에서 규칙을 학습하는 알고리즘을

구글코랩: Colab. 웹 브라우저에서 무료로 파이썬 프로그램을 테스트하고 저장할 수 있는 서비스. 구글 계정만 있다면 누구나 무료로 사용할 수 있다. 구글 계정으로 로그인 하지 않아도 접속은 가능. 하지만 코드 실행은 X.노트북: Notebook. 웹 브라우저에서 텍

생선 분류 문제 도미 데이터 준비하기 + 이진 분류 : 머신러닝에서 여러 개의 종류(or 클래스(class)) 중 하나 구별해 내는 문제를 분류(classification)라고 하는데 2개의 클래스 중 하나 고르는 문제를 말한다. 35마리의 도미의 길이(cm)와 무게

지도학습 : 정답(타깃)이 있어서 알고리즘이 정답을 맞힐 수 있도록 학습하는 것. \- 훈련 데이터 : 데이터와 정답을 입력(input)과 타겟(target)이라 부르는데 이 두 가지를 합한 것.(training data)비지도학습 : 타겟 없이 입력 데이터만 사용.테

① 지도학습 ② 비지도 학습 ③ 자원 축소 ④ 강화 학습① 샘플링 오류 ② 샘플링 실수 ③샘플링 편차 ④ 샘플링 편향① 행 : 특성, 열 : 샘플② 행 : 샘플, 열 : 특성③ 행 : 특성, 열 : 타깃④ 행 : 타깃, 열 : 특성<풀이>② 비지도 학습은 타깃이

넘파이로 데이터 준비하기 넘파이의 column_stack() 함수 : 전달받은 리스트를 일렬로 세운 다음 차례대로 나란히 연결. 연결할 리스트는 튜플(tuple)로 전달. 튜플(tuple) : 리스트처럼 원소에 순서 있지만, 한 번 만들어진 튜플은 수정 불가. 이처

k-최근접 이웃 회귀 회귀(regression) : 클래스 중 하나로 임의의 어떤 숫자를 예측하는 문제. 예를 들면 내년도 경제 성쟝률 예측이나 배달 도착 시간 예측. 여기서는 농어의 무게 예측하는 것도 회귀에 속함! k-최근접 이웃 분류 알고리즘 예측하려는 샘플에

① 이웃 샘플 클래스 중 다수인 클래스 ② 이웃 샘플의 타깃값의 평균③ 이웃 샘플 중 가장 높은 타깃값④ 이웃 샘플 중 가장 낮은 타깃값<풀이>

여기까지는 1절 내용 그대로!길이가 50cm이고 무게가 1,033g인 농어는 세모(marker='^')로 표시, 주변 샘플은 마름모(marker='D')산점도를 보니 길이가 커질수록 노어 무게 증가하는 경향 있음. 하지만 50cm 농어에서 가장 가까운 것은 45cm 근

① 회귀 파라미터② 선형 파라미터③ 학습 파라미터④ 모델 파라미터① LinearRegression② PolynomialRegression③ KNeighborsClassifier④ PolynomialClasifier<풀이>② PolynomialRegression →

다중 회귀(multiple regression) : 여러 개의 특성을 사용한 선형 회귀하지만 우리는 3차원 공간 이상을 그리거나 상상할 수 없다. 선형 회귀를 단순한 직선이나 평면으로 생각하여 성능이 무조건 낮다고 오해해선 안된다!! 특성 많은 고차원에서는 선형 회귀가

① 1② a③ a b④ a b^2① Ridge② Lasso③ StandardScaler④ LinearRegerssion① 과대적합인 모델은 훈련 세트의 점수가 높습니다.② 과대적합인 모델은 테스트 세트의 점수도 높습니다.③ 과소적합인 모델은 훈련 세트의 점수가 낮습

: 그 값이 데이터들에 의해 결정되는 값. 회귀 모델 같은 경우 데이터에 따라 계수와 상수항이 결정된다.파라미터는 예측을 할 때 모델에서 필요로 한다,파라미터는 데이터로부터 추정되거나 학습된다파라미터는 직접 설정되지 않는다.파라미터는 종종 모델의 일부로 저장된다.하이퍼

럭키백의 확률 럭키백에 들어갈 수 있는 생선은 7마리! "k-최근접 이웃은 주변 이웃을 찾아주니까 이웃의 클래스 비율을 확률이라고 출력하면 되지 않을까?" 다중 회귀(multiple regression) : 여러 개의 특성을 사용한 선형 회귀 하지만 우리는 3차원

① 이진 분류 ② 다중 분류③ 단변량 회귀④ 다변량 회귀① 시그모이드 함수② 소프트맥스 함수③ 로그 함수④ 지수 함수① 0 ② 0.25 ③ 0.5 ④ 1<풀이>① 이진 분류는 2개의 클래스, 즉 양성 클래스와 음성 클래스를 분류하는 문제.③ 단변량 회귀는 하

기존 훈련 데이터에 새로운 데이터를 추가하여 모델 매일매일 다시 훈련해보자! → 근데 시간이 지날수록 데이터가 늘어난다. 몇 달이 지나면 모델을 훈련하기 위해 서버를 늘려야한다. 지속 가능한 방법은 아님!또 다른 방법은 새로운 데이터 추가할 때 이전 데이터 버려서 훈련

① KNeighborsClassifier② LinearRegression③ Ridge④ SGDClassifier① 확률적 경사 하강법② 배치 경사 하강법③ 미니배치 경사 하강법④ 부분배치 경사 하강법<풀이>① KNeighborsClassifier는 최근접 이웃을

로지스틱 회귀로 와인 분류하기 → 전체 와인 데이터에서 화이트 와인 골라내는 문제. _+ 누락된 값 있으면??? 누락된 값 있다면 그 데이터를 버리거나 평균값으로 채운 후 사용 가능. 어떤 방식이 최선인지는 미리 알기 어려움. 여기서도 항상 훈련 세트의 통계 값으로

① 지니 불순도는 부모 노드의 불순도와 자식 노드의 불순도의 차이로 계산합니다.② 지니 불순도는 클래스의 비율을 제곱하여 모두 더한 다음 1에서 뺍니다.③ 엔트로피 불순도는 1에서 가장 큰 클래스 비율을 빼서 계산합니다.④ 엔트로피 불순도는 클래스 비율과 클래스 비율에

검증 세트 테스트 세트 사용하지 않으면 모델이 과대적합인지 과소적합인지 판단하기 어렵다. 테스트 세트를 사용하지 않고 이를 측정하는 간단한 방법은 훈련 세트를 또 나누는 것!! 이 데이터를 검증 세트(vaildation set)라고 부른다!! 앞에서 전체 테이터 중

① 교차 검증② 반복 검증③ 교차 평가④ 반복 평가① cross_validate()② GridSearchCV③ RandomizedSearchCV④ train_test_split<풀이>① cross_validate()는 주어진 모델과 훈련 세트를 사용하여 기본 5-

정형 데이터(structured data) : 어떤 구조로 되어 있다는 뜻. CSV나 데이터베이스 혹은 엑셀에 저장하기 쉬움.비정형 데이터(unstructured data) : 데이터베이스나 엑셀에 저장하기 어려운 것들. 텍스트 데이터, 디카로 찍은 사진, 핸드폰으로

① 단체 학습② 오케스트라 학습③ 심포니 학습④ 앙상블 학습① 엑셀 데이너② CSV 데이터③ 데이터베이스 데이터④ 이미지 데이터① 랜덤 포레스트② 엑스트라 트리③ 그레이디언트 부스팅④ 히스토그램 기반 그레이디언트 부스팅<풀이>나머지 세 보기는 대표적인 정형 데이터

타깃을 모르는 비지도 학습 비지도 학습(unsupervised learning) : 타깃 없을 때 사용하는 머신러닝 알고리즘. 사람이 가르쳐 주지 않아도 데이터 있는 무언가를 학습하는 것. 과일 사진 데이터 준비하기 _+ !는?? '!' 문자로 시작하면 코랩은 이후

① hist()② scatter()③ plot()④ bar()<풀이>② scatter()는 산점도를 그리는 함수③ plot()은 선 그래프 그리는 함수④ bat()는 막대그래프 그리는 함수

1절에서는 사과, 파인애플, 바나나에 있는 각 픽셀의 평균값 구해서 가장 가까운 사진 골랐음. 이 경우에는 사과, 파인애플, 바나나 사진임을 미리 알고 있었기 때문에 각 과일의 평균 구할 수 있었지만, 진짜 비지도 학습에서는 사진에 어떤 과일이 들어 있는지 알지 못함.

① 클러스터에 속한 샘플의 평균② 클러스터 중심③ 센트로이드④ 클러스터에 속한 샘플 개수① 엘보우 방법을 사용해 이너셔의 감소 정도가 꺾이는 클러스터 개수를 찾는다.② 랜덤하게 클러스터 개수를 정해서 k-평균 알고리즘을 훈련하고 가장 낮은 이너셔가 나오는 클러스터 개수

차원과 차원 축소 과일 사진의 경우 10,000개의 픽셀이 있어 10,000개의 특성이 있다라고 했다. 이런 특성은 차원(dimension) 이라고도 부른다. 10,000개의 특성은 결국 10,000개의 차원이라는 건데 이 차원을 줄일 수 있다면 저장 공간을 크게 절약

① 10개② 20개③ 50개④ 100개① (1000, 10)② (10, 1000)③ (10, 10)④ (1000, 1000)① 첫 번재 주성분② 다섯 번째 주성분③ 열 번째 주성분④ 알 수 없음<풀이>3\. 답 ① 주성분 분석은 가장 분산이 큰 방향부터 순서대로

패션 MNIST 텐서플로(TensorFlow) 사용해 패션 MNIST 불러오자. 코랩에서 텐서플로의 케라스(Keras) 패키지 임포트하면 다운로드 할 수 있다. keras.datasets.fashionmnist 모듈 아래 loaddata() 함수는 친절하게 훈련 데이

① 1,000개② 1,001개③ 1,010개④ 1,100개① 'binary'② 'sigmoid'③ 'softmax'④ 'relu'① configure()② fit()③ set()④ compile()① 'sparse_categorical_crossentropy'② 'ca

그 다음 이미지의 픽셀값을 0-255 범위에서 0-1 사이로 변환하고, 28 x 28 크기의 2차원 배열을 784 크기의 1차원 배열로 펼친다. 마지막으로 사이킷런의 train_test_split() 함수로 훈련 세트와 검증 세트로 나눈다. 여기까지는 1절에서 했던 것

① model.add(keras.layers.Dense)② model.add(keras.layers.Dense(10, actibation='relu'))③ model.add(keras.layers.Dense, 10, activation='relu')④ model.add

2절에서 fit() 메서드 모델을 훈련하면 훈련 과정이 상세하게 출력되어 확인할 수 있었다. 여기에는 에포크 횟수, 손실, 정확도 등이 있었다. 그런데 이 출력의 마지막에 다음과 같은 메시지를 본 적이 있을 것이다.<tensorflow.python.keras.ca

① model.fit(... val_input=val_input, val_target=val_target)② model.fit(... validation_input=val_input, validation_target=val_target)③ model.fit(... va