머신러닝&딥러닝

최근 AI 기술의 급격한 발전으로 인해 머신러닝과 딥러닝에 대한 관심이 많이지고 있다. 이런 기술들이 어떻게 우리 일상 생활을 변화시키는지, 그리고 미래에는 어떤 새로운 가능성을 가져다 줄지 궁금하여 "혼자 공부하는 머신러닝+딥러닝"이라는 책을 통해 이 분야에 대한 기

도미와 빙어의 데이터를 활용하여 물고기의 길이와 무게를 기반으로 도미와 빙어를 분류하는 모델 만들기학습할 도미와 빙어의 길이와 무게 데이터\*matplotlib 을 사용하여 도미와 빙어 데이터를 산점도로 시각화한다. 이를 통해 도미와 빙어 데이터의 분포를 확인할 수 있

머신러닝은 크게 지도 학습과 비지도 학습으로 나눌 수 있다.지도 학습에서 데이터와 정답을 입력(input)과 타킷(target)이라고 하고, 이 둘을 합쳐 훈련 데이터라고 부른다.입력에는 여러가지의 특성을 가진다. (길이, 무게)타깃 데이터가 없고 예측하는 것이 아닌

머신러닝 알고리즘이 이해하기 쉽고, 효과적으로 작동할 수 있도록 데이터를 준비하는 과정을 말한다. 이 과정에서는 데이터를 정제하고, 스케일링하고, 변환하는 등의 작업을 수행한다.train_test_split의 stratify매개변수에 타깃 데이터를 전달하면 클래스의 비

지도 학습 알고리즘은 주로 분류와 회귀로 나눠진다.분류샘플을 몇 개의 클래스 중 하나로 분류하는 문제를 다룬다.회귀클래스 중 하나로 분류하는 것이 아니라, 임의의 숫자를 예측하는 문제를 다룬다.k-최근접 이웃 분류샘플에 가장 가까운 이웃 k개를 선택하여 샘플들의 다수

k최근접 이웃 한계 선형 회귀

이전 학습에서 무게의 예측은 할 수 있었지만 과소적합인 경우를 해결하지 못했다. 이 문제를 해결하기 위해서는 조금 더 고차항을 넣어야한다. 다중 회귀 여러 개의 특성을 사용한 선형 회귀를 다중 회귀라고 한다. 특성 공학 데이터에 길이 뿐만 아니라 높이, 두께도 함께

럭키백에는 7개의 생선 종류중 한가지가 들어있고, 들어가있는 생선이 어떤 생선인지 특성을 이용하여 확인한다. 럭키백 확률 생선의 종류를 타깃으로 설정하고, 나머지 열은 특성으로 한다.

점진적인 학습(온라인 학습) 기존의 학스된 모델에 새로운 데이터를 추가하여 모델을 업데이트하는 방법 대표적인 점진적 학습 알고리즘은 확률적 경사 하강법이다. 1. 확률적 경사 하강법 2. 손실 함수 3. 로지스틱 손실 함수 SGDClassifier 에포크와 과

결정 트리는 데이터를 분할해가면서 예측하는 모델로, 각 노드에서 특정 특성을 기준으로 데이터를 분할하며 진행된다. 이러한 분할을 통해 노드 내의 불순도를 최소화하거나 정보 이득을 최대화하는 방향으로 학습된다.max_depth=1 :루트 노드 제외하고 하나의 노드를 더

검증 세트 1. 훈련 세트와 테스트 세트 모델 평가의 한계점 2. 검증 세트 이 방법은 훈련 세트 60%, 검증 세트 20%, 테스트 세트 20%로 나눈다. 훈련 세트로 모델 훈련을 하고 검증 세트로 모델을 평가한다. 테스트하고 싶은 매개변수를 바꿔가며 가장 좋은

타깃을 모르는 비지도 학습 1. 비지도 학습이란?

k-평균 알고리즘은 비지도 학습의 한 유형으로, 데이터 포인트를 k개의 클러스터로 그룹화하는데 사용된다. 이 알고리즘은 각 클러스터의 중심을 반복적으로 업데이트하여 데이터 포인트를 가장 가까운 클러스터에 할당하는 방식으로 작동한다.✔️ 작동 방식초기 클러스터 중심 설정

차원과 차원 축소 차원, 차원 축소 주성분 분석 분산, 분산이 큰 방향을 찾는 것, 벡터 PCA 클래스 원상 데이터 재구성 설명된 분산 다른 알고리즘과 함께 사용

패션MNIST 인공 신경망 출력층 , 뉴런,유닛, 입력층, 매컬러-피츠 뉴런 텐서플로와 케라스 인공 신경망으로 모델 만들기 딥러닝은 교차 검증을 잘 사용하지않음 딥러닝 분야의 데이터셋 충분한 크기-> 검증 점수 안정 교차 검증 수행 시간 오래 소요 밀집층, 완

2개의 층 은닉층 심층 신경망 생성 인공 신경만의 강력한 성능은 층을 추가하여 입력 데이터에 대해 연속적인 학습을 진행하는 능력 층을 추가하는 다른 방법 렐루 함수 시그모이드 함수는 오른쪽과 왼쪽 끝으로 갈수록 그래프 누워있어 올바른 출력을 만드는데 신속하게 대

합성곱 신경망(Convoluation Neural Network, CNN)은 주로 이미지 처리에 사용되며, 이미지의 특징을 효과적으로 추출하여 분류, 검출, 분할 등의 작업을 수행한다.합성곱 층은 필터 또는 커널이라는 작은 위도우로 입력 데이터를 스캔하면서 합성곱 연상

패션 MNIST 데이터 불러오기 합성곱 신경망 1. 구조 파악 1) 특성 맵 크기 첫 번째 합성곱 필터의 크기는 (3,3) 깊이가 1이므로, 3 x 3 x 1 x 32 + 32(필터의 절편) = 320 두 번째 합성곱 필터의 크기는 (3,3) 깊이가 32이므로,

가중치 시각화 가중치 : (3,3, 1) 커널 크기(3,3) , 깊이 1 , 필터 개수 32 절편 : 각 필터마다 1개의 절편 가중치 분포 히스토그램 0.0을 기준으로 좌우로 큰 분포를 띄고있다. 32개의 그래프 영역을 만들고 순서대로 커널을 출력 훈련하지 않

순차 데이터 텍스트나 시계열 테이터와 같이 순서에 의미 있는 데이터 피드포워드 신경망은 입력 데이터의 흐름이 앞으로만 전달되는 신경망 순환 신경망 완전 연결 신경망과 유사하여, 뉴런의 출력이 다시 자기 자신으로 전달되는 부분이 추가적으로 되어있다. 타임스텝 층을

IMDB 리뷰 데이터셋 영화 감상평에 따라 긍정과 부정으로 분류해 놓은 데이터셋 영어 문장은 모두 소문자로 바꾸고 구둣점을 삭제한다음 공백을 기준으로 분리, 이렇게 분리된 단어를 토큰이라고 부른다. 하나의 샘플은 여러개의 토큰으로 이루어져 있고 1개의 토큰이 하나의

LSTM 구조