코딩 | 개념 정리/Machine Learning & Deep Learning

01장. 딥러닝 한눈에 살펴보기 인공지능 강 인공지능: 사람처럼 모든 문제에 대해 해결 능력을 갖춘 지능 약 인공지능: 특정한 문제에 대해서만 해결 능력을 갖는 인공지능 머신러닝: 입력 데이터를 이용해 알지 못하는 변수를 반복적으로 학습해나가면서 예측하는 알고리즘 시행착오를 겪으며 성장하는 기술, 기계학습 = 머신러닝 딥러닝: 인공 신경망을 사용한 머신러닝 알고리즘 지도 학습: 데이터에 정답 데이터를 제공하는 학습 방법 비지도 학습: 데이터에 정답 데이터를 제공하지 않는 학습 방법 강화 학습: 데이터를 사용하지 않고, 인공지능이 스스로 시행착오를 겪으며 성장하는 학습 방법 딥러닝 문제 해결 프로세스 문제 정의 데이터 수집 데이터 가공 딥러닝 모델 설계 딥러닝 모델 학습 성능 평가 순서 딥러닝 문제 해결 ..

Chapter 09 텍스트를 위한 인공 신경망 ▶ 한빛 마켓의 댓글을 분석하라! 09-1 순차 데이터와 순환 신경망 ▶ 순차 데이터의 특징과 개념 이해하기 학습 목표 순차 데이터의 특징을 알고 순환 신경망의 개념을 학습합니다. 순차 데이터 순차 데이터(sequential data) 단어의 순서 중요 시계열 데이터(time series data) 일정한 간격으로 기록된 데이터 피드 포워드 신경망(feedforward neural network, FFNN) 입력 데이터의 흐름이 앞으로만 전달되는 신경망 ex. 완전 연결 신경망 & 합성곱 신경망 순환 신경망 데이터 재사용 必 순환 신경망 순환 신경망(recurrent neural network, RNN) 은닉층에 층 단계 추가 타임 스텝(timestep) 이..

(6주차 업데이트_24.02.24) 6주차는 아직 올라오기 전 학습회고로 혼공학습단의 종지부를 찍어보고자 합니다. 물론, 아직 남은 Chapter 9은 차주에 추가로 공부하고 포스팅 예정입니다. 매주 우수혼공족으로 뽑히진 못했어도, 2회 정도는 수상했네요. 나름 이렇게 모아보니 뿌듯합니다. 사람마다 공부하는 방식이 다르기에 둘러보면, 확실히 정리를 잘하시는 분들도 많더군요. 다른 분들의 공부 내용을 둘러보면서 복습의 시간도 가질 수 있었습니다. 전공자이긴 하나, 막상 직장 생활을 병행하며 주말마다 인공지능을 공부한다는 것이 마냥 쉽지만은 않았습니다 .오히려 처음에는 겁부터 많이 났죠. 인공지능, 분명 알아야하는 것은 알고 있지만, 그 문턱을 넘기가 참 어려웠습니다. 주차별로 혼공족장님의 격려의 말과 함께..

Chapter 08 이미지를 위한 인공 신경망 ▶ 패션 럭키백의 정확도를 높입니다! 08-1 합성곱 신경망의 구성 요소 ▶ 합성곱 신경망의 개념과 동작 원리를 배우고 간단한 실습하기 학습 목표 합섭공 신경망을 구성하는 기본 개념과 동작 원리를 배우고 간단한 합성곱, 풀링 계산 방법을 익힙니다. 합성곱 마치 입력 데이터에 마법의 도장을 찍어서 유용한 특성만 드러나게 하는 것 밀집층: 뉴런마다 입력 개수 만큼의 가중치 有 인공 신경망 모델 훈련: 처음에 가중치와 절편을 랜덤하게 초기화 (에포크를 반복하면서 경사 하강법 알고리즘을 사용하여) 손실이 낮아지도록 최적의 가중치와 절편을 찾아감 합성곱: 입력 데이터 전체에 가중치 적용(밀집층) 밀집층의 뉴런은 입력 개수 만큼 10개의 가중치를 가지고 1개의 출력 입..

Chapter 07 딥러닝을 시작합니다 ▶ 패션 럭키백을 판매합니다! 07-1 인공 신경망 ▶ 텐서플로로 간단한 인공 신경망 모델 만들기 학습 목표 딥러닝과 인공 신경망 알고리즘을 이해하고 텐서플로를 사용해 간단한 인공 신경망 모델을 만들어봅시다. 패션 MNIST MNIST 머신러닝: 붓꽃 데이터셋 딥러닝: MNIST 데이터셋 손으로쓴 0~9까지의 숫자로 이루어짐 패션 MNIST MNIST와 크기, 개수가 동일하지만 숫자 대신 패션 아이템으로 이루어진 데이터 각 픽셀은 0~255 사이의 정숫값을 가짐 이런 이미지의 경우 보통 255로 나누어 0~1 사이의 값으로 정규화 이는 표준화는 아니지만 양수 값으로 이루어진 이미지를 전처리할 때 널리 사용하는 방법 로지스틱 회귀로 패션 아이템 분류하기 인공 신경망 ..

Chapter 06 비지도 학습 ▶ 비슷한 과일끼리 모으자! 06-1 군집 알고리즘 ▶ 흑백 이미지 분류 방법과 비지도 학습, 군집 알고리즘 이해하기 학습 목표 흑백 사진을 분류하기 위해 여러 가지 아이디어를 내면서 비지도 학습과 군집 알고리즘에 대해 이해합니다. 타깃을 모르는 비지도 학습 지도 학습: 타깃 有 비지도 학습: 타깃 無 과일 사진 데이터 준비하기 픽셀값 분석하기 평균값과 가까운 사진 고르기 군집(clustering): 비슷한 샘플끼리 그룹으로 모으는 작업 클러스터(cluster): 군집 알고리즘에서 만든 그룹 히스토그램: hist() 구간별로 값이 발생한 빈도를 그래프로 표시한 것 x 축: 값의 구간(계급) y 축: 발생 빈도(도수) 확인 문제 히스토그램을 그릴 수 있는 맷플롯립 함수는 무..

Chapter 05 트리 알고리즘 ▶ 화이트 와인을 찾아라! 05-1 결정 트리 ▶ 결정 트리 알고리즘을 사용해 새로운 분류 문제 다루기 학습 목표 결정 트리 알고리즘을 사용해 새로운 분류 문제를 다루어 봅니다. 결정 트리가 머신러닝 문제를 어떻게 해결하는지 이해합니다. 로지스틱 회귀로 와인 분류하기 데이터프레임의 각 열의 데이터 타입과 누락된 데이터 확인 pandas.info() 이용 누락된 값이 있는 경우 해당 데이터 버리기 평균값으로 채워 사용 (명심) 항상 훈련 세트의 통계 값으로 테스트 세트를 변환한다 즉, 훈련 세트의 평균값으로 테스트 세트의 누락된 값을 채워야 함. 데이터프레임의 열에 대한 간략한 통계 보기 pandas.describe() 이용 확인값: 평균(mean), 표준편차(std), ..

Chapter 04 다양한 분류 알고리즘 ▶ 럭키백의 확률을 계산하라! 04-1 로지스틱 회귀 ▶ 로지스틱 회귀 알고리즘을 배우고 이진 분류 문제에서 클래스 확률 예측하기 학습목표 로지스틱 회귀, 확률적 경사 하강법과 같은 분류 알고리즘을 배웁니다. 이진 분류와 다중 분류의 차이를 이해하고 클래스별 확률을 예측합니다. 럭키백의 확률 데이터프레임 판다스에서 제공하는 2차원 표 형식의 주요 데이터 구조 넘파이 배열과 비슷하게 열과 행으로 이루어짐 다중 분류 타깃 데이터에 2개 이상의 클래스가 포함된 문제 로지스틱 회귀(logistic regression) 회귀이지만 분류모델 선형 회귀와 동일하게 선형 방정식을 학습 z = a *(Weight) + b * (Length) + c * (Diagonal) + d ..