혼자공부하는 머신러닝 + 딥러닝 (12) 썸네일형 리스트형 Chapter09. 텍스트를 위한 인공 신경망 ( 댓글을 분석하라!) (https://bit.ly/hg-09-1) (https://bit.ly/hg-09-2) (https://bit.ly/hg-09-3) Chapter09. 텍스트를 위한 인공 신경망 ( 댓글은 분석하라!)¶ 학습목표 텍스트와 시계열 데이터와 같은 순차 데이터에 잘 맞는 신경망의 개념과 구성 요소에 대해 배운다 케라스 API로 기본적인 순환 신경망에서 고급 순환 신경망을 만들어 영화 감상평을 분류하는 작업에 적용해 본다. 순환 신경망에서 발생하는 문제점과 이를 극복하기 위한 해결책을 살펴본다. 09-1 순차 데이터와 순환 신경망¶ 핵심 키워드 순차 데이터 순환 신경망 셸 은닉 상태 순차 데이터의 특징을 알고 순환 신경망의 개념을 학습한다. 문제 상황¶상품 페이지의 수많은 댓글을 일일이 확인하기 어렵다. 설령.. Chapter08 이미지를 위한 인공 신경망 (https://bit.ly/hg-08-1) (https://bit.ly/hg-08-2) (https://bit.ly/hg-08-3) Chapter08. 이미지를 위한 인공 신경망 (패션 럭키백의 정확도를 높인다!)¶ 학습목표 이미지 분류 문제에 뛰어난 성능을 발휘하는 합성곱 신경망의 개념과 구성 요소에 대해 배운다. 케라스 API로 합성곱 신경망을 만들어 패션 MNIST 데이터에서 성능을 평가해 본다. 합성곱 총의 필터와 활성화 출력을 시각화하여 합성곱 싱경망이 학습한 내용을 고찰해 본다. 08-1 합성곱 신경망의 구성 요소¶ 핵심키워드 합성곱 필터 특성 맵 패딩 스트라이드 풀링 합성곱 신경망을 구성하는 기본 개념과 동작 원리를 배우고 간단한 합성곱, 풀링 계산 방법을 익힌다. 합성곱¶합성곱 convo.. Chapter07-3 신경망 모델 훈련 (https://bit.ly/hg-07-3) 07-3 신경망 모델 훈련¶ 핵심키워드 드롭아웃 콜백 조기종료 인공 신경망 모델을 훈련하는 모범 사례와 필요한 도구들을 살펴보겠다. 이런 도구들을 다뤄보면서 텐서플로와 케라스 API에 더 익숙해지자. 지금까지 인공 신경망에 대해 배우고 텐서플로의 케라스 API를 사용해 직접 만들어 보았다. 1개 이상의 층을 추가하여 심층 신경망을 구성하고 다양한 고급 옵티마이저를 적용하는 방법도 알아 보았다. 이전에 배웠던 머신러닝 알고리즘과는 어떤 차이를 느꼈나? 일반적으로 사이킷런에서 제공하는 머신러닝 알고리즘들은 좋은 성능을 내기 위해 매개변수를 조정하고 훈련하는 과정을 반복한다. 이런 알고리즘들은 모델의 구조가 어느 정도 고정되어 있다고 느낄 수 있다. 반면에 딥러닝에.. Chapter07-2 심층 신경망 (https://bit.ly/hg-07-2) 07-2 심층 신경망¶ 핵심 키워드 심층 신경망 렐루 함수 옵티마이저 인공 신경망에 층을 여러 개 추가하여 패션 MNIST 데이터셋을 분류하면서 케라스로 심층 신경망을 만드는 방법을 자세히 배운다. 2개의 층¶다시 케라스 API를 사용해서 패션 MNIST 데이터셋을 불러오겠다. In [1]: from tensorflow import keras (train_input, train_target), (test_input, test_target) = keras.datasets.fashion_mnist.load_data() /home/ubuntu/.local/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.. Chapter07-1 인공신경망 (https://bit.ly/hg-07-1) Chapter 07. 딥러닝을 시작합니다.¶ 학습목표 딥러닝의 핵심 알고리즘인 인공 신경망을 배운다. 대표적인 인공 신경망 라이브러리인 텐서플로와 케라스를 소개한다. 인공 신경망 모델의 훈련을 돕는 도구를 익힌다. 07-1 인공 신경망¶ 핵심키워드 인공 신경망 텐서플로 밀집층 원-핫 인코딩 딥러닝과 인공 신경망 알고리즘을 이해하고 텐서플로를 사용해 간단한 인공 신경망 모델을 만들어 본다. 패션 MNIST¶판매할 패션 상품의 데이터는 아직 없지만, 마침 한빝 마켓에서 판매할 상품과 똑같은 데이터를 구할 수 있다. 이를 대신해 사용해보겠다.7장과 8장에서는 패션 MNIST 데이터셋을 사용하겠다. 이 데이터셋은 10종류의 패션 아이템으로 구성되어 있다. MNIST가.. Chapter 06. 비지도 학습(주성분 분석) (https://bit.ly/hg-6-1) (https://bit.ly/hg-6-2) (https://bit.ly/hg-6-3) Chapter06. 비지도 학습 ( 비슷한 과일끼리 모으자!)¶ 학습목표 타깃이 없는 데이터를 사용하는 비지도 학습과 대표적인 알고리즘을 소개한다. 대표적인 군집 알고리즘인 k-평균과 DBSCAN을 배운다. 대표적인 차원 축소 알고리즘인 주성분 분석(PCA)을 배운다. 06-3 주성분 분석¶ 핵심키워드 차원 축소 주성분 분석 설명된 분산 차원 축소에 대해 이해하고 대표적인 차원 축소 알고리즘 중 하나인 PCA(주성분 분석) 모델을 만들어 보자. 차원과 차원 축소¶지금까지 우리는 데이터가 가진 속성을 특성이라 불렀다. 과일 사진의 경우 10,000개의 픽셀이 있기 때문에 10,0.. Chapter06. 비지도 학습 (군집알고리즘, k-평균) (https://bit.ly/hg-6-1) (https://bit.ly/hg-6-2) (https://bit.ly/hg-6-3) Chapter06. 비지도 학습 ( 비슷한 과일끼리 모으자!)¶ 학습목표 타깃이 없는 데이터를 사용하는 비지도 학습과 대표적인 알고리즘을 소개한다. 대표적인 군집 알고리즘인 k-평균과 DBSCAN을 배운다. 대표적인 차원 축소 알고리즘인 주성분 분석(PCA)을 배운다. 06-1 군집 알고리즘¶ 핵심키워드 비지도 학습 히스토그램 군집 흑백 사진을 분류하기 위해 여러가지 아이디어를 내면서 비디도 학습과 군집 알고리즘에 대해 이해한다. 문제 상황¶고객이 과일 사진을 보내면 그중 가장 많이 요청하는 과일을 판매 품목으로 선정하려 한다. 또 1위로 선정된 과일 사진을 보낸 고객 중 몇 .. Chapter05.트리의 앙상블 (https://bit.ly/hg-5-1) (https://bit.ly/hg-5-2) (https://bit.ly/hg-5-3) Chapter05. 트리 알고리즘 (화이트 와인을 찾아라!)¶ 학습목표 성능이 좋고 이해하기 쉬운 트리 알고리즘에 대해 배운다. 알고리즘의 성능을 최대화하기 위한 하이퍼파라미터 튜닝을 실습한다. 여러 트리를 합쳐 일반화 성능을 높일 수 있는 앙상블 모델을 배운다. 05-1 결정트리¶ 핵심키워드 결정 트리 불순도 정보 이득 가지치기 특성 중요도 결정 트리 알고리즘을 사용해 새로운 분류 문제를 다루어 봅니다. 결정 트리가 머신러닝 문제를 어떻게 해결하는지 이해한다. 문제 (화이트 와인을 찾아라!)¶ 캔에 인쇄된 알코올 도수,당도,PH 값으로 와인 종류를 구별할 수 있는 방법이 있을.. 이전 1 2 다음