티스토리

moment garden

검색하기

블로그 홈

moment garden

kmk-sweetlife.tistory.com/m

kmk_sweetlife 님의 블로그입니다.

구독자: 0

방명록 방문하기

주요 글 목록

[파이썬] 14강 숫자 업다운(higerlower) 게임 프로젝트 강의 요약"Higher Lower"이라는 게임을 직접 구현해보는 미니 프로젝트를 진행했다. 이번 강의에서는 새로운 개념을 익힌 것은 아니고, 기존에 배웠던 개념을 충분히 활용하여 게임을 혼자서 만들어보고 이에 대해 해설하는 강의로만 진행됐다. 이런 방식의 강의가 한 3번정도 더 반복되면 좋겠다고 생각했다. 여태 배운 것들을 충분히 활용해보기에 참 괜찮은 내용이었다. Higher Lower 게임 소개 우리나라로 치면 이상형월드컵 게임과 행맨게임을 오묘하게 섞어놓은 게임이랄까... 다양한 주제(ex. 영화, 드라마, 팝송 등)로 할 수 있는 게임이고, 랜덤으로 선택된 A와 B중에 '어떤게 더 평점이 높았을까?', '관객수가 더 많았을까?' 등의 질문에 둘중 하나를 선택하면 된다. 맞히는 대로 게임 스코어.. 공감수 0 댓글수 0 2024. 4. 26.
[파이썬] 13강 디버깅하는 방법 (feat. Everyone gets bugs) Everyone gets bugs 아직 13강인데, 나는 여전히 부족한데 왜 벌써 디버깅하는 방법에 대해 전수해주시는 걸까 준비가 안된 새끼를 둥지에서 빨리 독립시키려는 어미새같이 디버깅하는 방법을 하나하나 친절하게 알려주셨다 ㅋㅋ 누구나 당연히 아는 이야기 같지만 하나하나 꼼꼼하게 짚고 넘어가려는 안젤라쌤 덕분에 기존 코드들도 한번씩 복습할수 있었다. 능숙하게 외워 말하고 싶었지만 결국 머릿속에 들어박히지 않았던 어린날의 주기도문처럼 한자씩 되뇌여본다. 버그를 해결하는 방법 1. 문제를 머릿속에 그려보기 (Describe Problem) 현재 오류가 나는 지점을 들여다보고, 어떤 문제인지 말로 표현해보든 머릿속에서 그려보든 정확하게 묘사해보려고 노력하자 def my_function(): for i in.. 공감수 0 댓글수 0 2024. 4. 23.
[파이썬] 12강 지역범위(Local Scope), 전역 범위(Global Scope) +랜덤숫자 추출하여 예측하는 게임 만들기 유데미 안젤라유 파이썬 12강 요약 12강에서는 스코프(scope)라는 개념에 대해서 배웠는데, 함수를 만든 후 해당 함수의 바깥에서, 해당함수 내부의 변수를 호출해야 하는 경우 꼭 알아야 하는 부분이다. 사실 이 글을 적는 지금도 스코프를 정확하게 이해하진 못했지만, 일단 이해한 부분까지만이라도 정리해보려고 한다. 이 스코프의 개념을 이해했다면, 랜덤으로 숫자를 추출해놓고 이를 예측하는 게임에서 적절하게 응용해볼 수 있다. Scope 스코프는 파이썬에서 '유효 범위'라고 불린다. 조금 더 풀어 설명하자면 '특정 변수가 유효할 수 있는 범위'다. 예를 들면 어떤 함수안에 변수를 지정해놓고, 해당 변수를 호출 했을때 원하는 값이 정상적으로 출력되는가? 라고 했을때 정상적으로 출력된다면 해당 변수는 유효범위.. 공감수 0 댓글수 0 2024. 4. 20.
[파이썬] 11강 블랙잭 게임 만들기(함수, 조건문 활용 실습) 11강 요약 사용자와 컴퓨터가 대결하는 블랙잭 게임을 파이썬을 활용하여 만들어보았다. 일단 블랙잭 게임은 카드 게임이고, 21이라는 특정한 수에 제일 먼저 도달하는 쪽이 이기는 게임이다. 아래 사이트와 같이 온라인 상에서도 로그인 없이쉽게 접할 수 있는 게임이다. 나는 처음 접하는 게임이라 아래 사이트에서 실제로 해봤는데, 사람들이 도박에 왜 빠지는지 간접체험하였다; 무엇보다 게임룰이 굉장히 쉽고 잘만 하면 쉽게 이길 수 있을 것만 같은 심리를 느끼게 된다. 파이썬 강의듣다가 시간가는줄 모르고 게임에 몰입했다 ㅎㅎㅎ 참고: 블랙잭 게임사이트 링크: https://www.247blackjack.com/ 247 Blackjack Welcome to 24/7 Blackjack! Blackjack, also k.. 공감수 1 댓글수 0 2024. 4. 12.
[파이썬] 10강 함수 출력, 독스트링(docstrings), 재귀함수 10강 강의 요약 점점 초급 레벨을 떼기 위한 준비가 시작되는 것 같다. 1강~9강에서 배웠던 다양한 개념들이 꾸준히 조금씩 반복해서 등장하지만, 약간 더 심화된 버전으로 내용을 확장해 나가고 있다. 나는 아직 준비가 안됐는데 큰일이다. 오늘은 내가 작성한 코드에 대해 설명을 덧붙이는 '독스트링(Docstrings)에 대해 간단하게 배웠고, 함수의 반환(Return)개념에 대해 본격적으로 익히기 시작했다. 그리고 마지막으로 함수 안에서 함수 그 자신를 호출하는 재귀함수(Recursive Function)에 대해 배웠다. 독스트링(Docstrings) 기본적으로는 '작은 문서를 만드는 방법'이라고 볼 수 있다. 함수 또는 기타 코드블록으로 코드를 작성할때 적용할 수 있다. length = len() 예를 .. 공감수 0 댓글수 1 2024. 4. 6.
[파이썬] 9강 딕셔너리와 리스트 중첩(dictionaries, list nesting) 9강 요약 9강에서는 딕셔너리의 개념과 리스트 중첩(Nesting)에 대한 개념에 대해서 배웠다. 딕셔너리는 여러 아이템들을 한 단위로 감싸 관리한다는 점에서 리스트와 굉장히 유사한 개념이다. 딕셔너리 안에 값을 추가, 제거, 수정 등을 할 수 있다는 점에서도 리스트와 동일하게 동작한다. key와 value로 구성되는 딕셔너리 형태 안에는 리스트가 중첩되어 들어갈 수도 있는데, 따라서 데이터를 저장하는데 있어서 더 다양한 선택지를 제공한다. 이를 이용해 다양한 예제로 코딩 연습도 하였다. 1. 딕셔너리(Dictionaries) 파이썬의 딕셔너리는 실제 사전(dictionaries)과 비슷한 방식으로 동작한다. 사전을 이용해 모르는 단어나 개념의 의미를 찾아보듯이, 파이썬의 딕셔너리도 특정한 개념(key).. 공감수 1 댓글수 0 2024. 3. 30.
[파이썬] 8강 입력 값이 있는 함수, argument와 parameter의 차이점 (카이사르 암호화) 8강 요약 함수 안에 들어있는 명령어들이 필요할 땐 단순히 함수이름과 괄호를 같이 써서 호출해주면 된다는 장점이 있다. 즉 해당 함수를 호출하면, 이 함수가 정의된 곳을 찾아서 그 안에 포함된 명령어들을 모두 실행하게 된다. 이때 함수 옆에 따라다니는 괄호는 어떤 역할을 하는 것일까? 가 이번 강의의 핵심이다. 함수의 괄호는 함수 내 명령어에 포함될 변수의 실제 입력값을 넣는 장소다. 예시: 아래 'greet()'라는 함수는 3개의 문장을 단순히 출력(print)하는 명령을 가진 함수라고 가정해보자. def greet(): print("hello world!") print("my name is Angela") print("bye bye") greet() 이 경우에는 단순히 string 형태로 된 문장들을.. 공감수 0 댓글수 1 2024. 3. 26.
[파이썬] 7강 행맨 게임(for문, while문, if else 조건문 등) 7강 요약 7강에서는 1~6강에서 배운 내용에 대해 100% 활용하여 '행맨'게임을 만드는 과제를 진행했다. (너무 어려웠다 ㅠㅠ) if else 조건문, for/while 반복문을 비롯하여 random함수, import 모듈 등 다양한 문법과 개념을 익혔기 때문에 앞으로 이를 잘 활용하려면 다양한 실습과제를 진행해봐야 하는데 그 첫단추가 행맨 게임이다. 처음에는 순서도로 흐름을 파악한 후, 아주 단순한 방식으로 게임에 접근한 후 점차 로직을 세분화해나가는 방향으로 과제를 진행해서 이해하기 쉬웠다. 안젤라 선생님 짱...b 1. 순서도로 흐름 파악하기 (중요한 단계만 짚음) 1) 게임에서 유추할 단어 무작위 추출 2) 무작위 추출된 단어의 알파벳 갯수만큼 언더바('_') 채우기 (ex. _ _ _ _ _.. 공감수 0 댓글수 0 2024. 3. 25.
[파이썬] 6강 for문, while문 용도에 맞게 사용하기 (들여쓰기 중요) 6강 요약 6강에서는 2가지의 반복문(for문, while문)을 각각 비교 및 총 정리하는 시간을 가졌고, 반복문을 사용할때 들여쓰기(indentation)를 하는 것이 왜 중요한지 배웠다. 들여쓰기는 일반적인 글쓰기에서도 중요한 형식임을 생각하면 이해하기 쉬운데, 들여쓰기를 통해 각각의 구문이 독립적으로 따로 노는 것이 아니라 서로 종속되어 있는 관계임을 드러낼 수 있다. depth 1 depth 2 depth 3 depth 2 depth 1 depth 1, 2, 3을 하나씩 놓고보면 개별적인 구문이지만, 들여쓰기를 함으로써 depth 1 -> depth 2 -> depth 3의 방향으로 서로 관련되어 있음을 알 수 있다. 들여쓰기를 tab키로 하느냐, space 바로 하느냐에 대해서는 나름 논란이 있.. 공감수 0 댓글수 1 2024. 3. 23.
[파이썬] 5강 반복문 (for 반복문, range() 함수) _ 코드비교 5일차 강의 요약 5일차 강의에서는 for 문을 이용하여 반복적으로 특정한 동작을 수행해야 할 때 사용하는 문법과 함수를 배웠다. 예전에 처음 for 문을 배울때는 반복한다는 개념에 대해 잘 이해하지 못했었는데, 단순히 어떤 숫자나 데이터를 반복하는데 그치기 보단 특정한 환경(조건)에 해당 데이터를 놓고서 그 조건에 잘 들어맞는지 여부를 판단하는데 유용하게 쓰일 수 있는 것 같다. 4일차 강의에서 배웠던 사용자 vs 컴퓨터의 가위바위보 게임을 예시로 들어보자면, 사용자가 이길때까지 게임을 반복적으로 수행할수 있도록 for문을 사용할 수 있을 것이다. (4일차 강의 참고: https://kmk-sweetlife.tistory.com/50) [파이썬] 4강 랜덤 모듈과 리스트 함수로 가위바위보 게임 만들기_.. 공감수 0 댓글수 0 2024. 3. 20.
[파이썬] 4강 랜덤 모듈과 리스트 함수로 가위바위보 게임 만들기_코드 비교 4일차 강의 요약 어쩌다보니 4강도 재밌게 완수했다 ㅎㅎㅎ 4일차 강의에서는 파이썬의 무작위화(randomization)화 개념과 리스트를 활용하여 데이터를 담는 연습을 중점적으로 배웠다. 주사위를 던지거나 가위바위보 내기를 할 때 어떤 수가 나올지 예측 불허의 상황을 만나게 되는데 파이썬에서는 random 모듈을 활용하면 이러한 무작위적인(=랜덤한) 상황을 코드로 표현해낼수 있다. 또한 랜덤한 경우의 수를 리스트(List)라는 형식에 담아 뽑아 쓸 수 있는데, 이 리스트는 중첩하여 사용할 수도 있고('Nested List') 리스트 안에 자료를 추가(append)하거나 제거할 수도 있다. 프로젝트: 가위바위보 게임 만들기 겉보기엔 아주 단순한 게임이고, 누군가는 매우 단순한 코드라 할 수 있지만 나에게.. 공감수 0 댓글수 2 2024. 3. 17.
[파이썬] 3강 논리 연산자_코드 비교 3강 '흐름 제어와 논리연산자' 강의에서는 if, elif, else 조건문을 이용해 흐름을 제어하는 방법을 배웠다. 실생활과 비교해보면 보통 '하나의 조건 -> 하나의 결과'로 진행되기 보단 여러가지 조건을 동시에 고려하여 특정한 결과로 귀결되곤 한다. 다중조건을 코드로 정리해나가는 것이 매우 까다로운 부분인데, 그럴때마다 필요한 것이 순서도 그려나가며 각각의 조건을 하나하나 쪼개 생각해 보는 것이다. 1. 내가 쓴 코드 print("Thank you for choosing Python Pizza Deliveries!") size = input() # What size pizza do you want? S, M, or L add_pepperoni = input() # Do you want peppero.. 공감수 0 댓글수 2 2024. 3. 16.
[파이썬] 2강 팁계산기 만들기 _ 코드 비교 유데미의 명강의 중 하나인 안젤라 유(Angela Yu) 선생님의 '파이썬 부트캠프: 100개 프로젝트로 파이썬 개발 완전정복' 강의를 듣고 있어 재밌는 부분은 종종 기록으로 남겨볼 생각이다. 2일차 강의에서 배운 것을 총 망라하는 마지막 과제는 '팁 계산기 만들기(tip-calculator)' 데이터 형식과 문자열을 조작하는 방법에 대해 배웠고, 이를 활용해 팁을 계산하는 식을 녹여낸 코드를 작성했다. 내가 작성한 것과 강의에서 제공된 정석 코드를 비교해보니 확실히 다르다. 시간이 좀 걸리더라도, 변수명만 보고도 이해할 수 있게끔 잘 정리된 코드를 연습해야 할 것 같다. (파이썬 강의 출처: https://www.udemy.com/course/best-100-days-python/learn/lectur.. 공감수 0 댓글수 0 2024. 3. 12.
Q-learning on a windy frozen lake! Windy Frozen Lake 꽁꽁 언 호수를 건너 목적지에 도달하기 위한 경로 선택의 알고리즘, q-learning에 대해 계속 학습중이다. 이번엔 이 얼어있는 호수위에 강풍이 불고 있다고 가정해보자. 즉 내가 선택한 방향을 향해 가려고 노력하지만 바람때문에 의도치 않은 방향으로 미끄러지거나, 자칫하다간 얼음 웅덩이를 만날 수도 있는 불확실환 환경이다. Deterministic VS Stochastic 이러한 불확실한 환경을 Non-deterministic (비결정론적) 하다고 일컫는다. 내가 오른쪽으로 가려고 해도 가지지 않는 것. 어느 정도의 무작위성을 내재하고 있는 모델이다. 반면 deterministic하다는 것은 항상 일정한 상황이 정해져 있다는 것이다. 오른쪽으로 가려고 하면 항상 그 방향.. 공감수 0 댓글수 0 2023. 10. 14.
Q-learning, Exploitation & Exploration 지난 시간에 큐러닝 알고리즘에 대해서 배웠지만, 아래 대목에서 어떠한 연유로 'a'를 선택하는 지에 대해서는 말하지 않았다. Select an aciton a and execute it (= a라는 특정한 행동방식을 선택 및 수행한다) Exploitation & Exploration 알고리즘 - 특정 행동을 선택하는 데 있어서 그 기반이 되는 알고리즘 1) exploit : 내가 가진 선택지 안에서 선택하는 방식 ex. 내가 자주 가는 가장 맛있는 식당을 선택하는 것 2) explore : 시도해보지 않은 새로운 선택지를 택하는 방식 ex. 전혀 가본 적없는 식당을 선택하여 모험하는 것 Exploration-exploitation 딜레마 - 새로운 것을 탐색할 것인가 vs 이미 내가 가진 패를 잘 활용할.. 공감수 0 댓글수 0 2023. 10. 12.
CNN — ConvNet Max pooling 과 Full Network CNN 구조는 몇가지 종류의 레이어로 구성이 되는데, 보통 conv(olutional)레이어, Relu, Pooling, FC 레이어로 구성이 된다. Pooling 컨볼루셔널 레이어를 거쳐 추출된 특징들은 샘플링의 과정을 거치는데, 이 중 하나인 pooling을 일종의 (down)sampling 과정으로 볼 수 있다. 고해상도 이미지를 보면 이미지가 나타내는 물체가 무엇인지 한번에 파악할 수 있지만, 저해상도 이미지를 보더라도 우리는 어렵지 않게 판단을 내릴 수 있는 원리다. 직전 포스팅에서 필터를 이용해 원본 이미지 사이즈에서 output 사이즈를 구하는 과정에 대해 작성했는데 이 output 을 우리는 activation map이라고 한다. pooling은 이 activation map을 인위적으로 .. 공감수 0 댓글수 0 2023. 10. 9.
CNN — ConvNet의 Conv 레이어 만들기 CNN의 시작은 고양이의 시신경을 실험하면서 어떤 이미지를 보여줄 때 뇌 전체가 아닌 일부만 활성화된다는 사실을 알게되면서 부터다. 이미지로 시작하기 32X32X3 사이즈의 이미지를 입력받는다고 가정했을 때, 이미지의 일부인 5X5X3사이즈의 영역만 -이 일부를 필터라고 부른다- 읽어들인다. 이 때 필터가 하는 일은 궁극적으로 하나의 값(number)을 만들어내는 것이다. = Wx+b를 이용해 한 값을 만들어낸다. 전체 이미지에 대해 몇개의 필터 즉, 값이 필요한 것일까? 이 전체 사이즈(32X32X3)중 일부만 잘라내기 위해 5X5X3 필터를 이용한다고 가정해보자. 이 때 필터의 역할은 잘라낸 이미지를 통해 하나의 값을 추출해 내는 것이다. W의 값은 필터의 값이라고 보면된다. 필터는 전체 이미지를 훑.. 공감수 0 댓글수 0 2023. 10. 9.
ML — NN Dropout & Model Ensemble 학습 데이터에 대해 매우 높은 정확도를 갖는 것과 어느 정도의 오차는 허용하는 적당한 정확도를 갖는 것이 있다. 전자가 더 좋은 모델 같지만 정확도가 과하게 높다는 것은 해당 데이터셋에 대해서만 정확하게 작동할 뿐 응용력이 떨어질 수 있다는 단점이 있다. 어떤 데이터를 트레이닝할 때 오차를 전혀 허용하지 않으려 하는 것을 overfitting이라고 한다. Solutions for overfitting 학습 데이터가 많으면 많을 수록 좋다. regularization Dropout overfitting을 막는 또 다른 방식. 랜덤하게 특정 뉴런들을 0으로 만들어버리자는 신박한 아이디어. 각각의 뉴런들이 있으면 일부는 잠시 쉬게하고 일부만 움직이도록 하는 것인데, 마지막에는 이 뉴런들을 총 동원해서 결과를 .. 공감수 0 댓글수 0 2023. 10. 9.
ML — weight 값 초기화하기 위 그래프에서 2개의 ReLU 함수의 비용 함수 그래프를 보면 모양이 다른데, 이 두 그래프는 동일한 dataset을 이용했지만 초기값이 무엇이냐에 따라 위와 같이 다른 결과를 갖게 되었다. 따라서 초기값을 잘 설정하는 것도 정확도를 높이는데 중요한 방법이 된다는 것을 알 수 있다. 초기값 weight 설정하기 모든 초기 weight 값을 0으로 준다? 0으로 주게 되면 y = wx+b라는 함수 자체가 작동하는 것이 어려워진다. 절대로 모든 초기 값에 0을 주면 안된다. 학습 자체가 불가능해진다. RBM(2006): 2개의 레이어를 이용해서 encode와 decode를 반복해서 weight를 학습. 이러한 과정을 모든 레이어에 거쳐 학습. 즉 pre-training 과정을 거치면 각 레이어마다 초기값 w.. 공감수 0 댓글수 0 2023. 10. 9.
ML — 딥러닝으로 XOR 문제 풀기 AND나 OR문제에 대해서는 한 개의 logistic regression 으로도 해결할 수 있었지만, XOR문제의 경우 하나의 logistic 모델로는 불가능 하다는 것이 수학적으로 증명되면서 한계에 직면했다. XOR 문제를 해결하기 위해서 logistic regression을 여러개 이용해서 푸는 방법이 등장했다. 이는 Neural Network 형태를 띠게 되며, XOR 문제를 풀 수는 있지만 W와 b를 학습하는 것은 불가능한것으로 보였다. NN으로 XOR 푸는 방식 임의로 W와 b값을 지정해 여러개의 logistic regression에 X1과 X2값을 입력해서 결과값이 제대로 나오는지 확인하는 방식이다. X1과 X2 한 쌍의 값이 (0, 0), (0, 1), (1, 0), (1, 1)일 때 이미 .. 공감수 0 댓글수 0 2023. 10. 9.
ML — Sigmoid 대신 ReLU? 상황에 맞는 활성화 함수 사용하기 Sigmoid의 한계 Sigmoid 함수는 binary classification 에 적절함 함수다. 일정 값을 기준으로 0인지 1인지구분함으로써 분류하는 방식이다. 딥러닝에서는 특정 임계치를 넘을 때만 활성화되기 때문에 activation function 중의 하나로 구분되는 함수다. 보통 처음은 input layer, 마지막은 output layer 라고 하는데, 이 가운데 보이지 않는 부분은 hidden layer로 칭한다. 실제로 9개의 hidden layer 가 있다고 했을 때 Tensorflow에 돌려 보면 정확도가 0.5밖에 안되는.. 1개 hidden layer일때 보다도 못한 결과가 나오게 된다. 왜 이런 문제가 발생할까? backpropagation(1986): 2단 3단 정도의 레이어.. 공감수 0 댓글수 0 2023. 10. 9.
ML — 응용과 몇가지 팁 2 Training and Testing data sets training 데이터 셋으로 학습시킨 모델을 이용해 test 데이터 셋으로 테스트를 한다는 건 교과서로 공부한 후 실전 문제로 시험을 보는 것과 같다. 여러 번에 걸쳐 training 시킨 후 학습 결과를 확인하기 위해 test하는 작업을 반복해야 한다. 보통 트레이닝 셋과 테스트 셋은 완전히 구분되어 있다. training data set은 다시 2가지로 구성되기도 하는데, 실제 train을 위한 약 70%의 training data set과 validation 체크를 위한 약 30%의 validation data set이다. 시험으로 치면 validation은 모의고사라고 할 수 있다. Online Learning dataset이 굉장히 많은 .. 공감수 0 댓글수 1 2023. 10. 9.
ML — 응용과 몇가지 팁 1 Learning rate 를 조절하는 방법 보유한 데이터를 선처리 하는 방법 ML의 주요 문제 중 하나인 overfitting을 방지하는 방법에 대해 배운다. Learning rate cost를 최소화 하기 위한 gradient descent algorithm을 구현하는 과정에서 learning rate의 개념을 배웠다. 이 값을 보통 임의로 설정하게 되는데, 매우 큰 값으로 잡게 되면 그래프에서 하강하는 폭이 매우 크다는 것을 의미한다. 이 경우 학습이 이루어지지 않을 뿐만 아니라 최저점에 도달하는 것을 넘어서 그 반대 방향의 그래프에 도달할만큼 overshooting이 발생할 수 있다. 반대로 learning rate가 매우 작을 경우 최저점에 도달하는 데 까지 소요되는 시간이 길어지고, global.. 공감수 0 댓글수 0 2023. 10. 9.
ML — Basic concepts 7 Where is sigmoid? X 값을 주게 되면 Y 값은 벡터 형태로 출력된다. 위 이미지의 2.0, 1.0, 0.1 값이 그것인데 첫번째 값이 A에 해당하는 값이고 차례로 B와 C에 해당하는 값이다. 하지만 이 3개 값은 sigmoid가 적용되지 않은 값이다. sigmoid function을 활용해 0~1사이에 값이 놓이도록 해야한다. 정리를 해보면, logistic classifier 를 사용해서 WX형태로 벡터화 하여 계산을 하면 입력값에 대해 2.0, 1.0, 0.1 과 같은 벡터 값을 출력한다. 여기서 원하는 바는 0~1사이의 값. 이들의 총합이 1이되는 값들을 구하는 것이다. 0~1사이의 값을 구하기 위해 Softmax 함수를 이용한다. n개의 Y 값(Scores)을 softmax 함수에 .. 공감수 0 댓글수 1 2023. 10. 9.
ML — Basic Concepts 6 Softmax classification: Multinomial classification : 여러 개의 클래스를 예측 하는 방법 여러 변수 값을 기준으로 여러 종류의 결과값 중에서 선택하는 알고리즘인 multinomial classification에 대해 알아보자. 예를 들어 여러 시험 점수 값에 따라 A, B, C 등 다양한 결과값으로 성적을 부여하는 알고리즘이라고 할 수 있다. logistic classification의 역할을 직관적으로 살펴보면, logistic classification 을 학습시킨다라는 말은 x1과 x2를 구분하는 선을 찾아낸다는 의미와도 같다. 구분하는 것을 학습 하는 것. 이 개념을 multinomial classication 에 적용할 수 있다. 2개 클래스가 있을 경우.. 공감수 0 댓글수 0 2023. 10. 9.
ML — Basic concepts 5 Logistic Regression의 Cost 함수 cost function for linear and cf for logistic Hypothesis가 Linear한 형태로 주어지게 되면 그래프가 위와 같은 모양을 띠게 되고, 장점은 어디서 시작하든 간에 최저점에 도달할 수 있다는 것이다. 그런데 hypothesis가 sigmoid function 형태일 경우, 출력되는 값이 항상 0에서 1사이이기 때문에, 이 가설을 이용해 cost function을 그려보면 아래와 같이 울퉁불퉁한 U자형 그래프가 완성된다. 이를 non-convex function 이라고 한다. Unconvex, 출처: https://sebastianraschka.com/faq/docs/logisticregr-neuralnet.htm.. 공감수 0 댓글수 1 2023. 10. 9.
ML — Basic Concepts 4 Logistic (regression) classification classification 알고리즘들 중에 정확도가 굉장히 높은 알고리즘 Classification 둘 중 하나, binary한 카테고리 중 하나를 고르는 알고리즘(cf. Regression: 특정 값을 예측하는 것) 예. 페이스북 피드: show or hide 이를 기계적으로 학습하기 위해서는 주로 숫자 0과 1로 인코딩 한다. linear regression 모델이 가진 한계를 먼저 정리하고 가자면. input에 따라 output이 변화하는 정도가 선형적으로 나타나는 이 모델의 경우 특정 input을 입력하는 시점부터 output이 계속 1로만 출력되는, 즉 특정 input을 입력하기 전까지는 output이 계속 0, 그 이후에는 계속.. 공감수 0 댓글수 1 2023. 10. 9.
ML — Basic Concepts 2 Regression 모델 일정량의 데이터 (a training set)을 가지고 학습한 후 특정 값을 입력(input)했을 때 학습한 내용을 토대로 결과 값을 출력(output). Linear Regression : 머신 러닝에서 가장 이해하기 쉬운 알고리즘. Linear 모델의 목표는 학습 데이터들을 관통하는 하나의 직선을 찾아내는 것 — 이 직선을 찾아내기 위해서는 가설을 세우고 H(x) = Wx + b 라는 선형 함수에서 기울기 W와 bias 가 어떤 값을 갖는지 알아내야 한다. 어떤 가설이 더 나을까? 가설이 나타내는 점들 간의 거리를 비교해서 거리가 가까운지, 먼 지를 판단 기준으로 삼는다. Cost Function (or Loss Function) 이렇게 가설과 실제 값 간의 거리를 측정하는 .. 공감수 0 댓글수 0 2023. 10. 9.
ML — Basic Concepts 1 What is ML? 머신 러닝은 스팸 메일 필터링, 자율 주행 자동차 등 일일이 규칙을 정해줘야 작동하는 복잡한 프로그래밍의 한계로 인해 생겨난 분야다. 무려 1959년에 Arthur Samuel 이라는 사람이 일일이 프로그래밍 하지 않고 컴퓨터에게 알아서 학습할 수 있는 능력을 주는 학문 분야를 ‘Machine Learning’이라는 칭했다. 학습하는 방법에 따라 아래와 같이 2가지로 나뉜다. What is learning? supervised: 레이블이 있는 데이터(=training set)를 가지고 학습하는 것 (예: ‘cat’ 이라는 레이블이 달려있는 이미지를 보고 ‘고양이'다 라고 학습하는 것). 대표적인 지도 학습의 예로, Image labeling, email spam filtering, .. 공감수 0 댓글수 0 2023. 10. 9.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.