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..

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..