- 전체보기(67)
- LSTM(6)
- NER(3)
- Bidirectional LSTM(3)
- linkedlist(3)
- Named Entity Recognition(3)
- softmax(2)
- Intent Classification(2)
- cost function(2)
- Forward_propagation(2)
- RNN(2)
- Recurrent Neural Network(2)
- sigmoid(2)
- L-layer Neural Network(2)
- 2-layer Neural Network(2)
- bidirectional(2)
- f1 score(2)
- 1D CNN(2)
- 3차원 리스트(1)
- Cost after iteration(1)
- 커리어 스킬(1)
- Backward_propagation(1)
- Sparsity Problem(1)
- mergeTwoLists(1)
- threeSum(1)
- Linear-Activation Forward(1)
- reverselist(1)
- Reuters(1)
- Normalizing(1)
- MIni-Batch Gradient Descent(1)
- SimpleRNN(1)
- Linear Backward(1)
- optimization(1)
- 장기의존성(1)
- Multi Kernel(1)
- input gate(1)
- IOB Tagging(1)
- RNN Language Model(1)
- Career Skill(1)
- Cat vs. non-cat(1)
- Gradient check(1)
- initialize(1)
- Planar(1)
- 특수문자 제거하기(1)
- Deep RNN(1)
- python(1)
- BiLSTM + CNN(1)
- 거꾸로 출력(1)
- Lossfunctions(1)
- linkedlist to string(1)
- MachineLearning(1)
- Prediction(1)
- dropout(1)
- 거꾸로 비교하기(1)
- palindrome(1)
- output gate(1)
- Char Embedding(1)
- momentum(1)
- 소문자로 변환하기(1)
- Non-Regularized Model(1)
- Deep Neural Network(1)
- two pointer(1)
- image2vector(1)
- Multi-kernal 1D CNN(1)
- cell state(1)
- biLSTM(1)
- N-Dimensional Gradient Checking(1)
- Initialization(1)
- Bidirectional RNN(1)
- L-model Backward(1)
- maxprofit(1)
- longestPalindrome(1)
- groupAnagrams(1)
- BIO Tagging(1)
- NNmodel(1)
- L-layer Model(1)
- triplets(1)
- forget gate(1)
- GRU(1)
- Backward Propagation Module(1)
- DeepLearning(1)
- Simple RNN(1)
- divmod(1)
- DNN(1)
- enumerate(1)
- 글자 임베딩(1)
- He Initialization(1)
- Deep Bidirectional RNN(1)
- learning rate decay(1)
- dict(1)
- Linear activation backward(1)
- L2 regularization(1)
- addTwoNumbers(1)
- Gradient Checking(1)
- twosum(1)
- sorted(1)
- Standardize(1)
- Gradient Descent(1)
- CNN(1)
- isPalindrome(1)
- Learning_rate(1)
- ELMO(1)
- defaultdict(1)
- Update parameters(1)
- Zero Initialization(1)
- Learning Rate(1)
- POS Tagging(1)
- Random Initialization(1)
- numpy(1)
- dic(1)
- Initialize_parameters(1)
- ner_dataset.csv(1)
- Backword_propagation(1)
- adam(1)
.predict_proba 예측 형식
이전에 랜포를 소개하는 글에서 모델 학습 방법을 소개하면서 예측하는 방법도 같이 언급했었다.여기서는 조금 다른 예측 방법을 소개한다.캣부스트로 학습을 시켜준 코드를 먼저 확인해보자.여기서는 OutcomeType 셀에 대해서 학습을 시켜준 것 같다.이 셀의 내용을 확인해
CatBoostClassifier 모델링
이전 글 랜포 모델링에 이어서 캣부스트로 모델링하는 방법을 소개한다.가장 간단한 CatBoostClassifier로 모델링을 할 수 있다. 코드 형식은 랜포와 똑같다!아래는 캣부스터 모델의 특징이다. 이런 트리 모델은 정형데이터에서 점수가 잘 나온다.트리=모델이라고 생
submission파일 제출하기
sub에 정답 데이터를 삽입했으면, 제출하면 된다.정답 데이터 + .to_csv를 하면 데이터를 csv파일로 바꿔서 제출 할 수 있는 형태가 된다.인덱스는 포함하지 않을 것이므로 index = False로 설정해준다.만약 지금 진행중인 컴페티션에서 제출하는 경우, 파일
특정 셀에 데이터 삽입
예측 후 정답 칼럼이 생성되었으면, 정답을 제출할 파일(submission파일)에 해당 정답 데이터를 삽입해줘야 한다.sub데이터의 count칼럼에 result_cas데이터를 집어넣는 코드이다.이 코드를 작성하기 전에 당연히 submission 파일을 먼저 불러와준 후
RandomForest 모델링
테스트 셋과 트레이닝 셋을 가지고 학습을 할 수 있다.맨 처음 모델로 랜포 모델을 소개한다.RandomForestRegressor의 인자로 사용되는 n_jobs는 cpu라고 생각하면 된다. 4혹은 -1로 작성하면 훨씬 더 빠르게 모델을 돌릴 수 있다. random_st
LabelEncoder 문자 데이터를 숫자로 변환
데이터를 확인하다 보면 아래와 같이 문자로 되어있는 셀을 발견하게 된다.이런 데이터들은 컴퓨터가 인식하지 못하기 때문에, 모조리 숫자로 바꿔줘야 한다.그 전에 어떤 셀들이 문자로 되어있는지 확인해 보자.어떤 columns의 데이터가 dtypes == object 즉 문
.drop 데이터 셀 없애기
전처리 과정 중에 필요없는 셀들이 존재한다.얘네들을 살려두게 되면 나중에 모델링 하는데 방해가 되므로 미리 삭제하거나, 문자로 되어있어 따로 셀을 만들어 처리해서 기존 셀이 필요없어지는 경우가 있다.바로 이전 글에서 설명한 날짜 데이터에서도 다른 셀로 정보들을 옮겨버리
dt. 날짜, 시간 데이터 처리하기
데이터 세트 중에 날짜와 시간 데이터를 포함하는 셀이 종종 존재한다.이런 데이터들은 해당 셀 안에서 처리할 수 없어, 각각 셀을 생성해서 값을 넣어줘야 한다.년, 월, 일, 시, 분, 초 각각에 셀을 만들어준 후, 해당 값을 넣어주면 된다.위 데이터에서는 셀 이름이 D
pd.concat 데이터 합치고 분리하기
트레인과 테스트 데이터를 불러와준 후, 두 데이터 세트에 대해 동일한 작업을 해 줘야 하는데, 이 때 pd.concat을 사용할 수 있다.아래와 같이 사용한다.이렇게 되면 all_data로 두개의 데이터가 합쳐지게 된다. 합쳐지는 방식은 train데이터 뒤에 test데
데이터 불러오기
캐글에서 노트북을 켜고 첫번째 셀을 실행하게 되면 어떤 데이터들이 다운받아졌는지 확인할 수 있다. 데이터 파일은 보통 .csv 파일로 존재하게 되는데, 이 파일들을 열고 확인해보자.pd.read_csv로 해당 .csv파일을 열 수 있다.항상 코드 바로 아래에 저장한 내
3. Longest Substring Without Repeating Characters Python3
Given a string s, find the length of the longest substring without repeating characters.Example 1:Example 2:Example 3:Example 4:Constraints:실행 결과Runti
771. Jewels and Stones Python3
You're given strings jewels representing the types of stones that are jewels, and stones representing the stones you have. Each character in stones is
706. Design HashMap Python3
Design a HashMap without using any built-in hash table libraries.Implement the MyHashMap class:MyHashMap() initializes the object with an empty map.vo
23. Merge k Sorted Lists Python3
You are given an array of k linked-lists lists, each linked-list is sorted in ascending order.Merge all the linked-lists into one sorted linked-list a
641. Design Circular Deque Python3
Design your implementation of the circular double-ended queue (deque).Implement the MyCircularDeque class:MyCircularDeque(int k) Initializes the deque
622. Design Circular Queue Python3
Design your implementation of the circular queue. The circular queue is a linear data structure in which the operations are performed based on FIFO (F
232. Implement Queue using Stacks Python3
Implement a first in first out (FIFO) queue using only two stacks. The implemented queue should support all the functions of a normal queue (push, pee
225. Implement Stack using Queues Python3
Implement a last-in-first-out (LIFO) stack using only two queues. The implemented stack should support all the functions of a normal stack (push, top,
739. Daily Temperatures Python3
Given an array of integers temperatures represents the daily temperatures, return an array answer such that answeri is the number of days you have to
316. Remove Duplicate Letters Python3
Given a string s, remove duplicate letters so that every letter appears once and only once. You must make sure your result is the smallest in lexicogr