[Week 2-3] 📊딥 러닝 학습 방법

2주차 화요일

• 딥 러닝 학습 방법
• pandas 라이브러리

---

[딥 러닝 학습 방법]

• 선형 모델 다시 보기
  선형 모델의 output)
  
  

이 선형 모델은 다음과 같은 그림으로 모델링 가능하다.

• 비선형 모델 신경망과 softmax
  선형 모델은 회귀 분석 등의 경우에 사용한다. 분류 등의 비선형 문제를 풀기 위해서는 선형 모델을 조금 변형해야 한다.
  선형 모델의 출력 O에 소프트맥스 함수를 적용하면 어떤 입력이 여러 범주 중 하나에 속할 확률 벡터를 얻을 수 있다. (원소의 총합이 1)
  

코드로 구현할 때는 오버플로우 방지를 위해서 선형 모델의 출력 o의 모든 원소들에 원소 중 최대값을 빼 준다. softmax는 지수함수라서 파이썬도 감당 못 할 만큼 값이 커질 수가 있다...!

출력 벡터 out = [1, 2, 48964354] 라고 할 때 이들을 그대로 softmax에 넣을 수도 있지만, 함수값이 매우 커질 것이다. 그래서 이 벡터의 원소들에 최대값인 48964354를 골고루 빼 준다. out = [-48964353, -48964352, 0] 음수가 되었지만 softmax에 넣으면 지수함수라서 양수가 나올 것이고, 입력에 따른 함수값의 차이도 여전히 있지만 값이 처리하기 좋을 만큼 작아질 것이다.

softmax와 같이 선형 모델의 출력을 처리해 비선형 모델의 결과 벡터를 출력하는 함수를 활성함수라고 한다. 활성함수에는 softmax 말고 다른 것들도 있다.

---

[pandas 라이브러리]

구조화된 데이터 처리를 위한 파이썬 라이브러리이다. numpy와 연동 가능해 강력한 스프레드시트 처리 기능을 제공한다.
csv 파일을 불러와 처리할 때는 read_csv() 함수를 사용한다. 불러올 때 seperator 인자 sep을 지정할 수 있는데, 여기에 정규표현식을 사용할 수 있다. 가끔 데이터를 나누는 공백 갯수가 일정하지 않은 경우가 존재하는데, 이 때 정규표현식을 사용하면 깔끔하게 처리할 수 있다.

• serise 객체
  열벡터 하나를 표현할 수 있는 객체. serise 객체가 모여서 DataFrame이 된다. numpy의 ndarray를 기반으로 만든 서브클래스인데, 열벡터의 각 원소마다 인덱스를 지정해 줄 수 있다. 인덱스는 숫자/문자 다 가능하며 숫자가 뒤죽박죽 섞여 있어도 된다.

• DataFrame 객체
  serise가 모여서 만들어진 2차원 배열. 보통은 csv 파일을 불러와서 만들지만 그냥 serise들을 모아서 만들 수도 있다.
  인덱싱하는 방법이 2가지 있는데, loc(index location)과 iloc(index position) 방식이다.

  • loc(인덱스 값)
    df = DataFrame(
    1 ["Jason", 42]
    0 ["Mary", 35])
    df.loc[0] : 0 ["Mary", 35] loc을 사용해서 인덱싱할 경우 인덱스가 0(지정한 값)인 데이터를 추출한다.
  • iloc(인덱스 위치)
    df = DataFrame(
    1 ["Jason", 42]
    0 ["Mary", 35])
    df.iloc([1]) : 1 ["Jason", 42] iloc을 사용해서 인덱싱할 경우 인덱스 위치가 0번째인 데이터를 추출한다.

---

[피어 세션]

softmax의 입력 벡터 각 원소에서 원소 중 최대값을 빼 주는 이유를 잘 모르겠어서 피어 세션 시간에 질문했다. 덕분에 이 부분은 잘 이해되었다!
28일 팀 소개 시간을 대비해서 팀 컨셉을 잡고 발표할 자료를 만들었다.