hubring

[참고] 모두를 위한 딥러닝 - 기본적인 머신러닝과 딥러닝 강좌 Loading data from file import numpy as np xy = np.loadtxt('sample.csv', delimiter=',', dtype=np.float32) x_data = xy[:, 0:-1] y_data = xy[:, [-1]]slicing Queue Runners 파일 크기가 너무 커서 메모리에 모두 올리지 못할 경우 사용. 여러 파일을 받아서 파일 큐에 넣고 Reader를 통해 문서를 읽음 decoder에서 데이터를 양식에 맞게 처리(, 분리 등) Example Queue 배치형태로 데이터를 넣어 사용하도록함. bach 방식으로 가져오기 import tensorflow as ..

[참고] 모두를 위한 딥러닝 - 기본적인 머신러닝과 딥러닝 강좌 하나의 변수가 아닌 여러개의 변수를 이용하여 선형 회귀하는 방법을 알아보자. Hypothesis Cost function Matrix 위 식으로 하면 많은 인자를 나열하기 힘들어짐.. 집합의 곱을 이용하여 좀 더 간단하게 표현할 수 있다. 실제로 연산을 할때 x1, x2, x3 의 각 데이터(instance) 값은 여러개가 존재한다. 이 경우 아래와 같이 구하면 전체를 Matrix를 이용하여 원하는 값을 한번에 구할 수 있다. Tensorflow 예제코드 x_data = [ [73., 80., 75.], [93., 88., 93.], [89., 91., 90.], [96., 98., 100.], [73., 66., 70.], ] y_data..

[참고] 모두를 위한 딥러닝 - 기본적인 머신러닝과 딥러닝 강좌 How to minimize cost? 최소값을 찾아내야함. Gradient descent algorithm 경사에 따라 내려가 최소값을 찾는 알고리즘. minimize cost function 최소값을 찾는 많은 문제에 사용됨. How it works? 어떤 점에서 시작 W, b 값을 조금씩 변경하며 최소값을 찾음. Formal definition 미분하여 W 값을 구함. Convex function 어느 지점에서 시작하든 최소 값을 찾는 방향으로 갈 수 있음. cost 함수가 위와 같은 모양일 경우 Grdient descent algorithm을 사용할 수 있다. 직접 cost 최소화 알고리즘 적용해보기 W의 변화에 따른 오차값 그래프 ..

[참고] 모두를 위한 딥러닝 - 기본적인 머신러닝과 딥러닝 강좌 Regression (DATA) x y 1 1 2 2 3 3 (Linear) Hypothesis 선형식을 찾는 과정 가설 식 : H(x) = Wx + b 어떤 식이 좋은 가? 가설과 실제 데이터를 거리를 비교하여 오차가 적은것. => cost function => H(x) - y Cost function Goal : minimize cost minimize cost(W, b) tensorflow 구현 (Variable 이용) import numpy as np import tensorflow.compat.v1 as tf import matplotlib.pyplot as plt tf.disable_v2_behavior() x_train = [1..

[참고] 모두를 위한 딥러닝 - 기본적인 머신러닝과 딥러닝 강좌 What is ML? Limitationm of explicit programming Spam filter , Automatic driving => 많은 룰에 의하여 작동 Machine learning 룰을 정하지 않고 데이터를 보고 자동으로 배워서 작동하는 것. Supervised(지도)/Unsupervised(비지도) learning 지도 학습 이미 레이블이 달려있는 데이터에 대한 학습. 일반적인 문제에 대한 유형 예로 이미지 구분 학습. 이메일 스팸 필터, 시험 점수 예측 비지도 학습 레이블을 정하기 어려움. 예로 구글 뉴스 구룹핑 Training Data Set x (feature), y(label) 학습을 위한 데이터셋 지도 학습 ..

소개 k-인접이웃(K-nearest neighbor 이하 k-NN)분류모형은 새로운 데이터(설명변수값)에 대해 이와 가장 유사한(거리가 가까운) k-개의 과거 자료(설명변수값)의 결과(반응변수, 집단)를 이용 다수결(magority vote)로 분류한다. -> 분류나 회귀에 사용되는 비모수 방식. 과거자료를 이용하여 미리 분류모형을 수립하는 것이 아니라, 과거 데이터를 저장만 해두고 필요시 비교를 수행하는 방식이다. k 값의 선택에 따라 새로운 데이터에 대한 분류의 결과가 달라짐에 유의하여야 한다. k-NN은 반응변수가 범주형인 경우에는 분류(classification)의 목적으로, 반응변수가 연속형인 경우에는 회귀(regression)의 목적으로 사용될 수 있다. k-NN 분류에서 출력은 소속된 항목이..