티케이

모두의 딥러닝 머신러닝 개념과 용어 강의Supervisor Learning(learning with labeled examples): 정답을 제시하고 모델을 훈련 시키는 방법 •사용하는 곳 •이미지 라벨링 •스팸 필터 •시험 성적 예상 •종류•시험 성적 예상 •regression•시험 성적 합격/불합격 •Classification•A,B,C,D 타입 •Multi classification Unsupervisor Learning: 정답없이 특정 규칙만을 규정하여 훈련 시키는 방법 LabWhat is data flow?•Node: 그래프에서 연산을 나타냄 •Edge: 매트릭스?(tensor) 즉, 데이터를 연결 위의 이미지 처럼, 텐서플로우는 sess.run을 시키지 전에는 기계가 동작을 하지 않는다. 모든..

모두의 딥러닝 Linear Regression의 개념 강의Regression강의 내용에서는 Regression에 대해 설명을 하고 있다. Linear RegressionLinear Regression이란, 방정식을 통해 표현되지 않는 데이터들을 예측하기 위한 모델이다. 값을 예측하기 위해 회귀하고 계산하고를 반복하는 모든 과정을 Linear Regression이라 하는 것 같다. :Linear=직선, Regression:회귀 HypothesisHypothesis에 대해 설명하기 전, 머신러닝은 아래에 설명하는 cost함수의 최저값을 찾아 최적의 모델링을 구하는걸 목표로 한다. 그럴려면 cost함수가 어떻게 구성되었는지 알아야되는데 cost함수는 Hypothesis를 구성으로 한 함수이다. Hypothes..

SoftMax Function: 다양한 값들의 합이 1이 나오게 하여 분류시 데이터 파악을 쉽게하도록 돕는 함수. (1 = 100%)e = 자연상수(대략 2.718...)softmax = exp(logits) / reduce_sum(exp(logits), dim)Python 코드로 나타내면 아래와 같다. One_hot: 값의 Index는 1 그리고 이외의 모든 값은 0으로 환산해주는 함수 softmax_cross_entropy_with_logits: cost함수를 만들어주는 함수 단, 해당 함수를 사용 후, 전체값의 평균을 내는 reduce_mean을 해줘야한다. Cross entropy: 비교하는 대상에 대한 현재 값

Logistic Classification 크기와 길이를 통해 해당 상품이 참치(0)인지 꽁치(1) 인지 판별 해보자. 아래 소스는 Logistic Classfication을 사용하여 분류하는 코드이다. 기본의 Linear regression과는 다른 부분들이 보인다. sigmoid는 그래프로서 최대값은 1, 최소값은 0인 그래프 함수 이다. 해당 부분의 API를 사용하여 데이터를 정규화 한다. 기존에 사용하던 cost 함수와는 조금 다른 형태의 cost 함수 이다. 간단하게 설명하면 참이면 loss는 0이고 거짓이면 loss는 무한대가 되는 그래프를 나타낸다. 데이터를 대입해보면 Y = 0 일 경우, H(x)가 1이면 해당 cost는 무한대가 되지만 H(x)가 0이되면 cost값은 0이 된다. cost..

강의 첫날 - 오전 Y = (a + bx)/z 1차 방정식남자의 경우만 고려 사람1 (65kg, 165cm)사람2 (80kg, 190cm)사람3 (90kg, 160cm) x : 각 개인의 몸무게 (65kg, 80kg, 90kg)y : 각 x의 적정 키 (175cm, 180cm, ...) 예측 : 비만/정상/저체중 Y 가 1.2보다 크면 비만Y 가 0.8보다 크고 1.2보다 작으면 정상Y 가 0.8보다 작으면 저체중 Y = (20 + 2 * 몸무게) / 키 Neural networks :Convolutional Neural Network(CNN) : 사진Recurrent Neural Network (RNN): 시간에 따라 변하는 데이터에 사용 Supervisor(교사 학습) : 정답을 알려줌- UnSupe..