ㅁ sing layer perceptron o Threshold : 어떤 값이 활성화 되기 위한 최소값 o Weight : 선형분류모델의 기울기 o Bias : 선형분류를 위한 직선의 절편 o Neuron : 인공신경망의 가장 작은 요소 o Epoch : 전체 데이터를 한번 학습했을때 1 Epoch o 아래의 그림 그대로 신경망과 딥러닝에도 설명이 들어간다. - $$ F(x) = W_0X_0 + W_1X_1 + W_2X_2 + W_3X_3 .... $$ - 위의 식은 범위가 무한대 인데 어떻게 퍼셉트론은 이진분류가 나올 수 있는 것인가? - Activation Function = f 인 활성함수를 써서 이진분류로 나온다. - 여기서 쓰는 활성함수는 Step function을 쓴다. - 무한대가 나오는 아..
ㅁ Differential, 미분, 변화 o 미분은 순간 기울기를 구하기 위함이다. 내가 이만큼 변하면 쟤는 얼만큼 변하는지 알 기 위해 - 하나의 변화가 다른 하나에 어떤 영향을 끼치는가? - 시간에 변화에 따른 자동차 속도의 변화, 일조량에 따른 수확량의 변화. - 상수는 변하지 않는 값이기 때문에 바뀌는 값을 찾는 미분에서는 안써먹히니 버리는 것이다. ㅁ 자동차 예제 o 시간에 따라 속도의 변화가 없는 경우 - s = 40 - 시간의 변화에 따라 속도는 어떻게 변하는가? 0이다. o 일정한 비율로 증가 - 속도가 일정한 비율로 증가 - s = 40 + t o 정지상태에서 차량 출발 - 어떤 순간에 속도의 변화율은 얼마인가? - 국선에서는 어떻게 적용 되는 것인가? - s = t^2 - 위의 표에서 ..
ㅁ Python o 매트랩은 행렬에서 돌때 속도가 많이 느려진다. 그래서 행렬은 C로 돌렸다. o 파이썬은 매트릭스 연산을 빨리 돌려준다. 파이썬에서 행렬이 돌면 알아서 C로 변환하여 구동된다. o 파이썬은 Java처럼 변수형이 없다. o 변수를 왜쓰는가? - 변수를 쓰는 이유는 한번 쓰고 버리지 않는 값이기 때문이다. - 변수의 정의는 많지만, 제일 공감하는 정의는 "데이터를 저장하기 위해 메모리 공간에 붙여진 이름"이다. - 데이터를 저장하는 것이 목적이다. 주민등록번호, 사번처럼 고유한 넘버가 있는데 이름을 부르는 것 처럼. - 메모리 공간의 이름을 변수라고 한다. o constant 상수의 정의 - 데이터가 변하지 않는다는 것은 특성을 이야기하는 것이지 정의는 아니다. - 상수의 정의는 변수와 같..
ㅁ Logistic Regression o Supervised Learning으로 Classification 문제를 해결하며 2범주 문제를 다룬다. - 회귀분석으로 분류문제를 해결한다. - 로지스틱 회귀분석이 끝나면 결과물이 확률로 나와야 한다. o A와 B, 두 카테고리 중 하나로 분류한다. - 선형 회귀분석 식에서 - 우리가 예측하려는 Y값을 A일 확률로 가정하고, - Y값(A일 확률)이 0.5보다 크면 A로 분류하고, 0.5보다 작으면 B라고 분류하면 되지 않나! ㅁ 수식 전개 선형회귀식 $$ y = ax + b $$ y를 확률로 변환 $$ P = ax = b $$ 이때 양변이 갖는 값의 범위가 일치하지 않는다. 선형 회귀식은 0 ~ 1 범위이지만 확률은 무한대의 범위를 가지기 때문 그리고 범위를 ..
ㅁ 선형분류모델과 선형회귀분석의 차이를 잘 이해하고 분리해야 나중에 안 헷갈린다. o 식은 같지만 선형분류모델은 이진분류하기 위함이고 선형회귀분석은 추세를 보기 위함이다. 그래서 잘못 적용하면 성능이 나락가기때문에 정확히 분류모델인지 회귀분석인지 알고 진행해야 한다. ㅁ 선형회귀분석 o Y값은 내가 알고자하는 값이기 때문에 알게되고, 연산한 값 중에서 절대갑 1에 가까운 것을 구하는 것이 x이다. 종속변수 Y와 한개 이상의 독립 변수 X아의 선형 상관 관계를 모델링하는 회귀 분석 $$ f(x) = w_0 + w_1x_1 + w_2x_2 + w_3x_3 + ..... $$ 선형분류모델과 같은 식을 가지고 있음 $$ y = ax + b $$ y = 종속번수 x = 독립변수 a = 기술기 b = 절편 ㅁ 화물..
ㅁ Linear Classifier o 모델을 설정한 뒤에 데이터를 가지고 핏팅한다. o 도미널리지(?)가 있으면 삽질을 덜 하니까 항상 동향파악은 해야한다. o 가장 좋은 성능을 도출하는 상수 값이 있고. 파라미터(?)라고 한다. o 그 수식 앞에 붙어 있는 상수 값을 찾는 것이 이번 장의 목표이다. o Decisition Tree에서 했던 내용과 동일하게 진행 o 이번 장이 딥러닝의 기초가 되는 부분 o 가장 잘 분류할 수 있는 모델을 어떻게 만들것인가? 내가 만들어내는 수식을 목적함수라고 한다. o 타겟벨류가 동그라미, 세모다. 1차원 배열은 막대기로 나오고 2차원 평면에서 분류하고 싶다. - 수학적으로 n차원으로 확장할 수 있고. n차원은 n-1차원에서 분류할 수 있다. - 하이퍼플레인 = 초평면..
ㅁ Decision Tree o 맨위는 root node, 맨 마지막 노드는 leaf, Terminal node, 중간은 internal node o Decision Tree는 너무 유명하므로 설명은 넘어가겠다. o Decision Tree Algorithm - 현재 Data Set의 target value가 모두 같으면 Algorithm Stop - 만약 하나라도 target value가 섞여 있으면 Data는 segmentation하고 트리는 노드 분기 o Data가 segmentation 되는 기준은 무엇일까? - Segmentation된 결과는 지금보다 좋은 방향으로 가야하는데, 좋은 방향은 무엇이고, 방향이 결정된다면 그렇게 하기 위한 방법은 무엇일까? - 우리의 큰그림은 분류하는 알고리즘을 짜..
ㅁ 개요 o 예측과 분류는 기업들이 가장 알고 싶어하는 주제이다 o 예측모델은 구체적으로 어떻게 만들어 지는가? - 과거 데이터를 기반으로 미래 예측 - 객관성 담보 -> 수학으로 - 구체적인 접근방법을 고민 -> 수치형 데이터로 변환 가능한가? o 예측과 분류 모델은 바로 현업에 적용이 가능한 것인가? o Entropy가 무엇인가? o Decision Tree가 무엇인가? ㅁ 접근방법 o Supervised Segmentation o Target Value 에 가장 강한 영향력을 끼치는 Attritube는? o 영향력을 수치형 데이터로 바꿀 수 있을까? - 이때 사용 가능한 수학개념은? - 영향력을 수치형 데이터로 바꿀 수 있따면 가능한 작업은 무엇이 있을까? o 각 속성이 Target Value에 끼..
o 목표 - 데이터 분석의 의미와 다양한 방법 - 데이터 분석시 각 알고리즘의 아이디어 - 신경망 알고리즘과 비신경망 알고리즘 학습 및 비교 - 신경망 알고리즘의 진화 과정에서 발생한 특징과 한계점 그리고 개선 포인트 - Tool base가 아닌 알고리즘으로 핵심 파악 - 수식으로 설명된 알고리즘들을 구체적으로 이해 - 파이썬으로 신경망 모델 제작 및 실험시 고려사항 o 역사 - 컴퓨터가 나오기 이전부터 인공지능 개념 연구 - 컴퓨터 발명 후 구체적인 연구 및 결과 발표 - 신경망 알고리즘도 많은 연구가 있었으나 세대별로 암흑기가 있음 - 명확한 한계가 있음 o 신경망 - 인간 두뇌 복제 방식으로 인공지능 접근 - 80~90년도에 인공신경망의 등장으로 한동안 인기 - 인공신경망의 약점이 나오고 한계점 극..
보호되어 있는 글입니다.
최근댓글