티케이

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..

첨자의 위치가 위: 참조 데이터 인덱스(트레이닝 데이터) 첨자의 위치가 아래: 참조할 데이터의 개수(키, 몸무게, 성별...) Min * Max 정규화 : (value - min(value)) / (max(value) - min(value)): 데이터값을 비교했을 경우, 차이가 많이 나는 경우가 발생한다. 그런 경우 해당 정규화를 사용하면 0 ~ 1사이의 실수값들을 얻을 수 있다. 주식 가격을 예측 해보자. 아래는 소스 코드 샘플해당 url의 데이터를 사용했음.데이터 사용: https://raw.githubusercontent.com/hunkim/DeepLearningZeroToAll/master/data-02-stock_daily.csvimport tensorflow as tf import numpy ..

※ Session 공간이 별도로 존재(데이터를 보관)하여 텐서플로우는 기본적으로 Session 명령어가 필요하다. ※ GPU와 CPU는 별도의 메모리를 사용하기 때문에 각각을 통합하여 데이터를 사용하기 위해서는 전환 하는 절차가 필요하다. ※ PlaceHolder: 검색창 으로 데이터를 입력하는 창(텐서플로우에서의) Tensor Ranks, Shapes, and Types Tensor Ranks, Shapes, and Types ※ 같은 타입만 계산이 가능함. ※ 학습 시, Cost가 증가하면 LearningRate를 감소 시킨다. Gradient Decent W = 1 정답이다.W 초기값을 5로 잡았다.Cost(W=5) = 70Y = w * xx = [3]y = [3]H(x,y) = 15 = 5 * 3..

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..