Hyul_code

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..