누워서 떡먹기 코딩

오늘은 광주인공지능학원에서 진행된 알파벳 맞추기를 진행하겠습니다 (본 글의 자료는 광주인공지능학원에서 제공되었습니다.) CNN 입력값 파라미터 (sample, height, weight, chanel) sample: 데이터의 수 height: 세로 weight: 가로 chanel: 1 (grayscale) 3 (RGB) 4(RGBA) * A 투명도 RNN 파라미터 (sample, timesteps, features) sample: 데이터의 수 timesteps: 몇 단계로 이루어 질것인지 내일 주식가격 예측을 위해서 과거 5일의 데이터를 가져옴: 5 나는 오늘 집에 가서 밥을 __: 5 features: 특징의 수 예를들어) 음악: 미 레 도 레 _ 음계: features: 1 음계, 박자: featur..

오늘은 광주인공지능학원에서 진행된 기초수업중 행렬과 벡터에 대해서 알아보려 합니다. (본글의 사진자료는 광주인공지능학원과는 관련이 없습니다.) 행렬 행렬(matrix)은 수를 직사각형의 형태로 나열한 겁니다. ​A라는 행렬이 있습니다. A에는 12개의 수가 직사각형의 형태로 나열되어 있죠? 여기서 이 하나하나를 A의 '원소'라고 부릅니다. A에는 총 12개의 원소가 있는 거죠. 행렬의 가로줄을 행, 영어로는 row라고 부릅니다. 그러니까 A는 총 3개의 행이 있는데요. 위에서부터 1행, 2행, 그리고 3행. 이렇게 있습니다. 행렬의 세로줄은 열, 영어로는 column이라고 부릅니다. A에는 총 4개의 열이 있습니다. 가장 왼쪽에서부터 1열, 2열, 3열, 4열. 이렇게 있습니다. 행과 열을 셀 때 0이 ..

스마트인재개발원이라는 광주인공지능학원에서 딥러닝을 배울 수 있습니다. 오늘은 광주인공지능학원에서 진행된 CNN강의 내용을 설명해볼겁니다. 영상자료를 처리하기 위한 신경망은 일반 신경망과 다르게 다음과 같은 특징이 있어야한다. 고차원 입력벡터를 처리하는 것 -> 영상자료가 고차원 입력벡터로 표현될수 있기때문 2차원 또는 3차원 영상자료를 처리하는 것 (흑백영상은 2차원, 컬러영상은 3차원) 조명이나 잡음 또는 위치변환, 크기 변환 및 회전 변환에 강건하거나 불변해야한다 이러한 특징을 가지는 신경망이 합성곱 신경망(CNN)이다. 즉, CNN은 영상자료를 처리하기에 적합하다 MLP 이미지 분석 MLP은 층이 깊어지고 뉴런의 수가 많아지면 가중치 수가 급격히 늘어난다. MLP 신경망을 이미지 처리에 사용한다면 ..

사용할 라이브러리 from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense import pandas as pd import numpy as np import tensorflow as tf from sklearn import datasets from tensorflow.keras.utils import plot_model # 모델 시각화 와인데이터 분류 실습 wine데이터 셋 가져오기 wine = datasets.load_wine() 와인데이터는 딕셔너리 형태의 데이터이기 때문에 키값을 확인 wine 위의 키값들중 분석에 사용할 데이터를 보겠습니다. wine['data'] wine['feature_name..

먼저 딥러닝을 하기 위해서 tensorflow 임폴트해주세요. import tensorflow as tf print(tf.__version__) 먼저 딥러닝 AND논리를 합습 해볼거에요! 1. AND논리 # AND 데이터 정의 X = [[0,0], [0,1], [1,0], [1,1]] y = [0,0,0,1] 신경망을 설계해볼겁니다 tensorflow, keras 라이브러리 사용 keras가 tensorflow의 하위 모듈로 됨 여기서는 활성화 함수로 시그모이드함수를 사용했어요! 파라미터수 입력수 * 출력수 + 출력수 예) 2*1+1 = 3 add() : 신경망에 층을 추가 Dense로 퍼셉트론을 쌓는다. units: 출력의 수를 설정(퍼셉트론의 수) input_dim: 입력의 수 (특성의 수) # 신경..

딥러닝의 기본 개념 전이학습 기본에 잘 만들어진 학습 모델을 가져와서 적용하는 방법 데이터가 부족하고 모델 설계능력이 부족할때 사용한다 예를들어) 사과를 깍는 모델을 이용하여 배를 깍는 모델 생성 CNN과 심층강화학습 차이 심층강화학습 행동에 대해 순위를 계산하고 점수(보상)을 결정 CNN 이미지에 가장 잘맞는 (가능성이 높은, 순위가 높은) 라벨을 선택 퍼셉트론 1957년 프랑크 로젠블라트에 의해 고안 인간의 신경세포를 모방한것이 인공 신경망(ANN) 인간의 뉴런을 하나의 노드(인공 뉴런)으로 가상화하고 각 노드의 특성(가중치)를 다르게 설정하여 동일한 입력에 대해 다양한 반응을 발생하도록 하게함 퍼셉트론은 다수의 신호를 입력받아 하나의 신호를 출력 입력 신호가 뉴런에 보내질때 각각의 고유한 가중치 w..

오늘은 딥러닝의 개념, 역사를 소개 할겁니다. 딥러닝을 공부하기 전에 간단히 이제까지 배운것들을 정리하겠습니다. 1. 인공지능과 머신러닝 딥러닝의 차이점 인공지능 사람같은 기계를 만드는것이다. 약한 인공지능은 사람보다 부족하고 강한 인공지능은 사람보다 뛰어나다 머신러닝 정답을 학습시키고 평가하여 학습시키지 않은 것들 예측하는 것 딥러닝 정답을 학습시키지 않고 기계락 스스로 학습하게 하는것 2. 머신러닝 학습 순서와 간단한 개념 머신러닝 : 학습순서는 특성 -> 모델 -> 라벨 예측 특성(feature) = data. 입력 문제 라벨(label)= 답 출력 클래스: 라벨의 종유(생존/ 사망 – 2개) 범주형 데이터의 종류를 표현하는게 클래스 범주형 데이터: 문자 데이터 & 연속적이지 않은 기호 형태의 숫자..

데이터 스케일링(Data Scaling) 특성(Feature)들의 범위(range)를 정규화 해주는 작업 특성마다 다른 범위를 가지는 경우 머신러닝 모델들이 제대로 학습되지 않을 가능성이 있다. (KNN, SVM, Meural network모델, Clustering 모델 등) 예를 들어 시력과 키를 함께 학습 시킬 경우 키의 범위가 크기때문에 거리값을 기반으로 학습할 때 영향을 많이 준다. - 데이터 스케일링 장점 특성들을 비교 분석하기 쉽게 만들어준다 Linear Model, Neural network Model등에서 학습의 안정성과 속도를 개선시킨다. 하지만 특성에 따라 원해 범위를 유지하는게 좋을 경우는 scaling을 하지 않아도 된다. - 데이터 스케일링 종류 StandardScaler 변수의 ..

분류용 선형 모델 공식 분류용 선형 모델 특징 특성들의 가중치 합이 0보다 크면 class를 +1(양성클래스) 0보다 작으면 클래스를 -1(음성클래스)로 분류한다 분류용 성형모델은 결정 경계가 입력의 선형함수 일대다 방법을 통해 다중 클래스 분류 다중 클래스를 분류하려면 선을 많이 그려야 한다. Logistic Regression 회귀공식을 사용해서 Regression이라는 이름이 붙음 결정경계가 선형이기 때문에 선형 모델 시그모이드 함수의 최적선을 찾고 반환값을 확률로 간주 선형함수의 결과값을 시그모이드 함수(Logistic Function)을 이용해 0과 1로 변환 - 시그모이드 함수 시그모이드 함수를 사용하면 직선을 곡선으로 바꿔준다. 값의 범위가 0~1 사이 - 주요 매개변수(하이퍼파라미터) 선형..

데이터 퀄리티의 중요성 분석할때 아무리 좋은 알고리즘을 써도 안좋은 데이터를 분석하면 안 좋은 결과가 나온다. 예를 들어 연매출을 비교하여 식당을 차리려는데 a지역의 연매출은 40, 50, 20, 80, 1300000 b지역 연매출 390, 450, 990, 840, 570으로 평균은 a가 260038, b가 648로 a의 연매출 평균이 더 높아보이지만 알고보니 다른데이터들은 만원단위인데 1300000는 일원 단위여서 b지역이 더 좋은 지역이지만 a를 선택하는 결론이 날수있다. 이처럼 수백 수천 가지의 데이터들중 하나라도 잘못된 데이터가 있으면 예상치 못한 결과가 나오거나 오류가 발생할수있다. 좋은 데이터의 기준 완결성 유일성 통일성 정확성 1. 완결성 (Completeness): "필수적인 데이터는 모..