Embedding 텍스트 생성

순환신경망, RNN활용, Keras활용 신경망 구축RNN=>

이미지 색상 분포 균일화 이미지 원찾기 템플릿매칭 Haar Cascade 분류기를 사용한 얼굴, 눈 검출 동영상 얼굴 검출 mediapipe

Opencv >opencv관련 라이브러리, numpy, pandas, matplotlib 이미지 처리 >픽셀 기반 처리 : 픽셀 하나하나를 가지고처리, 인접픽셀간 관계확인가능=>전체적 이미지분석힘듬, 속도가 느림 블록 기반 처리 : 픽셀의 묶음, 전체적인 이미지를 분

YOLO모델 : One-stage detector >객체 탐지(Object Detection) roboflow에서 이미지 데이터 라벨링

과대적합을 피하기위해사용입력층 => 중간층 사이 ✔"학습하는 동안"✔모두 다른 선형함수 중 중간층에 어떤 입력층이 영향을 많이 끼쳤는지에 따라 학습이 반복되면 점점더 그 크기가 증가, 또는 감소하는 입력층을 방지한다.드롭아웃과 마찬가지로 과대적합을 피하기위해 사용양질의

1.경사하강법 종류\-경사하강법(GD) : 전체 데이터를 사용해서 업데이트\-확률적 경사 하강법(SGD): 일부데이터를 사용해서 업데이트, GD보다 빠름, 지그재그로 이동함(방향이 불안정) => 방향, 한번에 이동할 수 있는 거리가 고정 => 학습률\-방향 : 모멘텀

퍼셉트론 : 인공신경망모든 곱의 합=> 활성화함수 f(x)에 전달 => y(예측값)✔활성화함수 1.Sigmoid :다층 퍼셉트론에서 활성화함수 f(x)의 연결은

Perceptron (단일 선형 모델)MLP(Multi Layer Perceptron = 다중 선형 모델) 머신러닝과 비슷(table 데이터에 잘 작동) \- CNN(Convolution Neural Network = 다중 선형 모델 + a) : 이미지 인식 \-

링크

텍스트 마이닝 네이버 영화평점 리뷰

병렬프로세싱 : 둘 이상의 작업을 동시에 처리Yield : 양보하기 , interrupt : 끼어들기start => run => destroy\-MainTread 와 SubTread사이에 Handler(Message) 필요

\-이진분류 (기준은 1, 0)정확도 => 정밀도, 재현율 순으로 판단한다.높은 정밀도 선호 => 애매한 것 사용하지않는다.높은 재현율 선호 => 애매한 것 사용한다.텍스트분류, 주제찾기 (파이썬 머신러닝 책 534page)reviews_train = load_file

\-상관관계 파악시 corr()를 이용해서 다른 컬럼과 상관관계가 높은지를 파악하고 답에 대해서 쓸모가 있을지 판단\-결측치가 있을때 train&test를 pd.concat() 이용해서 합치고 접근해봐도 괜찮음\-feature/target을 살피기분류용 선형모델 :

fragment끼리의 데이터전송SPF(SharedPreFerence) : 입력된 데이터값이 초기화 되지않음, 맵 형태 ex) 튜토리얼d

Firebase(NoSQL) Fragment✔✔

L1규제 : Lasso\-w의 모든원소에 똑같은 힘으로 규제, 특정계수들은 0이 됨, 특성선택이 자동으로 이루어진다.\-사용되는 특성과 사용되지않는 특성이 나뉨 => 특성선택있음L2규제 : Ridge\-w의 모든 원소에 골고루 규제를 적용하여 0에 가깝게 만든다\-모든

회귀 모델 X : 문제데이터, train / y : 정답데이터, test Linear Regression, Ridge, Lasso, 회귀평가지표, Scaling >선형 회귀모델 -입력 특성(입력데이터 = X , y)에 대해서 선형 함수를 만든다. -만든 선형함수를 이해

RF(Rand Forest)처럼 의사결정트리 기반의 모델=> 각각의 트리들이 독립적이지않고 연결되어있다.예측 정확도개선1.데이터 추가 수집, 2.데이터 전처리, 3.모델 교체, 4.하이퍼 파라미터 튜닝AdaBoost\-잘못된 데이터에 대한 데이터에 전보다 높은 가중치를

✔✔✔ {} : Object , \[] : Array