Hyul_code

1) 자연어란? 우리가 일상 생활에서 사용하는 언어2) 컴퓨터가 자연어의 의미를 분석하여 처리하는 것을 자연어 처리(Natural Language Processing)라 한다.3) 자연어 처리는 음성 인식을 바탕으로 번역, 내용 요약, 감성분석, 텍스트 분류 작업 그리고 챗봇으로 사용되는 기술임4) 최근 딥러닝을 통해 성과를 얻었으며 AI 분야에서 실질적으로 성과를 보이는 분야이다.  활용 기술- Anaconda (Numpy, Pandas, scikit-learn, matplotlib, seaborn, nltk)- Tensorflow : 구글이 2015년에 공개한 머신 러닝 오픈소스 라이브러리, 머신 러닝과 딥 러닝을 직관적이고 손쉽게 할 수 있도록 설계 - keras : 딥 러닝 프레임워크인 텐서플로우..

1960년대 - 1980년대: 기초적인 패턴 인식 및 특징 추출 이 시기에는 주로 단순한 패턴 인식과 특징 추출 알고리즘들이 사용되었습니다. 히스토그램 기반의 특징, 에지(edge) 검출, 템플릿 매칭 등의 방법이 주로 사용되었습니다. 1990년대 - 2000년대: 통계적 및 기계학습 기반의 방법 이 시기에는 통계적 기법과 기계학습이 컴퓨터 비전에 도입되었습니다. 지역 이진 패턴(LBP), 허프 변환(Hough transform), 특징 기술자(Feature Descriptors) 등이 개발되었습니다. 지지 벡터 머신(Support Vector Machine, SVM), 의사결정 나무(Decision Trees) 등의 기계학습 알고리즘이 널리 사용되었습니다. 1960년대부터 1980년대 초반까지의 컴퓨터..

Linux에서 python을 활용해 여러 ML 기술들을 사용해 보고자 한다. 그러기 위해서는 여러 환경을 미리 구축해야한다. 첫번째로 idle 설치 sudo apt-get install idle 설치가 끝나면 pip을 설치한다. sudo apt install python3-pip 이러면 기초적인 설정은 완료 되었다. 그 후로 필요한 pip을 설치해보자. 1. Supervised Learning - Linear Regression pip install numpy pip install scikit-learn pip install pandas pip install matplotlib 1) numpy : 행렬 활용 2) scikit-learn : linear_model를 사용 -> LinearRegression..

Linear Regression 이란? 독립 변수 x와 종속 변수 y의 선형 상관 관계를 모델링한 회귀분석 기법이며 𝑓(𝑥) = 𝑦' ≈ 𝑦 을 만족해야 한다. 여기서 𝑓(𝑥) = a𝑥 + b로 쓸 수 있다. 이때, Data point와 model's prediction(Output)의 차이를 Cost라 한다. Cost의 값이 클 수록 model의 quality는 떨어지므로 우리는 Cost 값을 최소화 해야한다. Cost Functions의 종류는 - Mean Absolute Error (MAE) - Mean Squared Error (MSE) - Cross-Entropy - Hinge Loss - Kullback-Leibler Divergence (KL-Divergence) - MuchX3 more c..

０. Mathematical principles - Linear Algebra -> Derivation of regression line -> SVM -> Model regularization -> Neural network training - Vector Calculus -> Span -> Vector Norms : vector norms란 벡터의 크기를 측정하는 것이다. 머신러닝 에서 overfitting은 좋지 않음 - Probability and Distribution - Analytic Geometry 1. Matrices - Orthogonal Matrix - Diagonal Matrix - Symmetric Matrix - Matrix Decomposition 2. Regularize Dat..

Learning에서 대표적인 유형은 4가지로 아래와 같다. 1. Supervised(inductive) learning [지도 학습] - Training data + desired outputs (labels) = Regression 2. Unsupervised learning [비지도 학습] - Training data (without desired outputs) = Clustering 3. Semi-supervised learning [준지도 학습] - Training data + a few desired outputs = Learning both with labeled and non-labeled data 4. Reinforcement learning [강화 학습] - Rewards from se..

경험 - 배울 수 있는 경험의 모든 유형 - 해답이 있는 결과, label - 많을 수록 더 좋음 예측 - 모델이 도출해낼 결과를 예측 - 같은 참 결과가 되길 기대 - 존재하는거가 보장되지 않음 이전 까지의 알고리즘 : 목표 -> 분석 -> 이해 1. 분석 2. 최적화 3. 결과를 직접 출력 ML 알고리즘 : 목표 -> 학습 -> 모델 1. 식별&생성 2. 생성에 집중 3. 결과를 발생시킬 수 있는 프로그램을 제작 Learning System 디자인 하는 법 ex) - training data를 고른다 - 정확하게 학습시킬 방법(Objective function)을 고른다 - 목표를 표현할 방법(Metric)을 고른다 - 마지막으로 알고리즘을 고른다 Data Distribution (데이터 분배) ->..

기계 학습(Machine Learning)은 수행능력(performance P), 작업(task T)와 경험(experience E)들이 연관된 알고리즘에 대한 연구이고 로 정의 할 수 있다. ex) 학습 작업 정의 -> T를 향상시키려면 E를 바탕으로 P를 고려해야한다. T: Playing chess. P: percentage of games won against an arbitrary opponent. E: Playing practice games against itself. ML를 쓰는 경우 1. 사람의 전문성이 존재하지 않을 때 (화성에서의 조종) 2. 사람이 그들의 전문성을 설명할 수 없을 때(말, 글 인식) 3. 모델이 사용자지정이 되어야 할 때(Personalized medicine desi..