다중 선형 회귀는 하나의 모델 안에 독립 변수가 여러개일 수 있습니다. 여러 독립변수를 함께 고려한 종속 변수를 예측하기 때문에 단순 선형회귀보다는 더 좋은 성능을 기대할 수 있습니다.

단순 선형 회귀 알고리즘을 학습합니다. 사이킷런(Sklearn) 라이브러리를 사용하여 실습을 진행하고, 최소 제곱법을 손실 함수로 차용하여 해결하는 방법 하나와 확률적 경사하강법(SGD)을 적용시켜 모델을 학습하는 방법 두가지를 살펴봅시다.

Mitchell의 정의에 의하면 머신러닝은, 작업 T를 수행하기 위한 경험 E로부터 획득한 데이터를 기반으로 모델을 자동으로 구성하여 성능 P를 향상시킬 수 있는 컴퓨터 프로그램이다.

동일한 값을 가진 것들끼리 뭉쳐서 계산을 쉽게 할 수 있습니다. 그룹화 문법을 공부해봅시다.

데이터프레임의 컬럼과 row(행)을 수정, 삭제, 추가하는 방법을 알아봅시다.

인덱스와 컬럼을 기준으로 데이터를 정렬하면, 더 편하게 데이터를 확인할 수 있습니다. 데이터 전처리 과정에서 특정 열이나 행을 변환해야 할 때가 있습니다. apply() 함수를 데이터를 적용해봅시다.

결측치(Missing Value)는 말 그대로 데이터에 값이 없는 것을 뜻합니다. 줄여서 'NA'라고 표현하기도 하고, 다른 언어에서는 Null 이란 표현을 많이 씁니다.

loc/iloc을 통해서 데이터를 선택하는 방법에 이어, 일정한 조건을 만들어 데이터를 불러오는 방법을 알아봅시다.

loc은 location의 약자로, df.loc으로 인덱스의 이름을 가지고 원하는 행과 열의 데이터를 불러올 수 있습니다. 또한 iloc은 integer location의 약자로, df.iloc으로 인덱스의 위치를 가지고 원하는 행과 열의 데이터를 불러올 수 있습니다.

판다스 데이터프레임을 거시적인 맥락에서 확인하는 몇가지 방법들을 알아봅시다.

DataFrame 객체를 액셀, CSV, 텍스트 파일 등의 형태로 저장하고 불러오는 방법을 알아봅시다.

데이터프레임(Df)의 인덱스(Index)와 관련된 여러 기능들을 알아봅시다.DataFrame이 가지는 속성중 인덱스(Index)는 프레임의 가장 첫번째 열에서 확인할 수 있습니다.

판다스의 자료구조 데이터프레임은, 엑셀의 데이터 시트처럼 2차원 배열입니다. 다음의 특징을 가지는데 행과 열로 구성되는 2차원 데이터 구조이고 각 열은 각각 데이터 타입(dtype)을 갖고 있습니다.

판다스의 자료구조 `시리즈`는, 1차원 배열로서 다음 세가지의 특징을 가집니다. 차원 배열 구조이자, 인덱스를 사용할 수 있고, 데이터 타입(dtype)을 가집니다.

역시 방향도함수를 정의하는 과정에서 방향(u), 한 점(P), 함수(f) 세가지 정보가 필요함을 알 수 있습니다. 어떤 방향으로 기울기를 구할 것인지(방향 미분계수를 구할 것인지) 단위벡터(u)를 통해 알 수 있는 것입니다.

다변수 함수에서도 마찬가지로 합성함수 f(X(x, y))를 살펴보면, 합성함수 f(X(x, y))의 정의역으로 X(t) = (x(t), y(t))나 X(u, v) = (x(u, v), y(u, v)) 등의 함수가 필요하고, 이와 같은 함수가 결국 벡터함수임을 알 수

이변수 함수는 무수히 많은 경로로 해당 위치에 가까워질 수 있음으로 극한값이 존재하려면 하나의 반례라도 존재해선 안됩니다. 즉, 극한값이 존재하려면 이변수 함수 f(x, y)에서 점 (x, y)가 (x1, y1)로 가까워질때, 모든 경로에서 f(x, y)의

이변수 함수는 값이 x, y 두가지 변수에 의해 결정되는 함수입니다. 이변수 함수 z = f(x, y)는 좌표평면 위의 점(x, y)를 실수 z로 대응시킨다고 할 수 있습니다. 좌표평면 상에 이변수 함수 z = f(x, y)를 바로 그릴 수 없는 이유는 x, y, z

애나 렘키, 『도파민네이션』, 흐름출판"반응하는 삶에서 이끄는 삶으로." 꾸준히 성장하기 위해서는 당연하다고 여겼던 우리 주변의 것들을 다시한번 살펴야 하는 것 같다. 그런점에서 나는 과잉된 쾌락이 감싸고 있는 세상과 끊임없이 새로움을 추구하는 우리들을 다시 보기로 하

신경망을 학습할때, 마라미터 하나의 변화가 전체에 미치는 영향을 구하기 위해 편미분 개념을 사용합니다. 편미분에서는 일변수 함수 z = f(x)가 아닌 다변수 함수 z = f(x, y)에서 미분을 정의합니다.