NumPy: the fundamental package for scientific computing with Python: 행렬이나 다차원 배열 연산NumPy 임포트import numpy as np파이썬 리스트리스트에 있는 값에 10 곱하기ndarray넘파이에서 제공하

outputoutputoutputoutputoutputoutputoutputoutputoutputoutputoutputoutputoutputoutputoutputoutputoutputoutput

outputoutputoutput사칙연산을 입력받아 계산하는 프로그램임. 연산자는 기본연산자이고 피연산자는 실수형이다. 피연산자와 연산자 입력은 빈칸으로 구분한다. 0으로 나눌 경우 "0으로 나눌 수 없습니다."를 출력함연산식 입력 : 2 + 42 + 4 = 6

내용 기반 추천 : 상품의 속성, 즉 '어떤' 상품인지를 사용해서 추천ㄴ 한 유저의 평점이 다른 유저의 평점에 영향을 미치지 않는다\-> 유저들이 평점이 서로 독립적이다ex)우재와 현승은 같은 평점을 줌 = 영화 취향이 같은 사람영화 1과 영화 4를 보면 모든 사람이

: 상품의 속성, 즉 '어떤' 상품인지를 사용해서 추천ex)머신 러닝 모델 학습각 영화들에 대한 속성과 한 유저의 평점 데이터를 갖고 있을 때 이런 식으로 데이터를 입력, 목표 변수로 나눠서 머신러닝 학습\-> 유저의 평점 예측 가능 !선형회귀 )입력 변수를 x, 목표

: 특정 사용자가 좋아할만한 것을 찾아주는 프로그램더 좋은 추천 시스템을 만들면 사회적 이익이 있고 더 많은 매출로 이어진다ex) 유튜브유튜브는 사용자들이 광고를 보고 광고비로 돈을 번다\-> 계속 보고싶은 영상들을 추천해줘서 광고를 계속 보게 한다 -> 매출 up !

Bagging (Bootstrap aggregating)임의로 bootstrap 데이터 셋들을 만든다bootstrap 데이터 셋을 사용해서 수많은 모델들을 만든다이 모델들의 예측을 종합(aggregating)한다Boosting일부러 성능이 안 좋은 모델들을 사용한다더

결정트리는 이상적인 머신 러닝 모델이 되기 힘든 한 가지 특징이 있는데 바로 부정확성이다이렇게 성능이 안 좋은 결정 트리가 그럼 왜 중요할까 ?\-> 응용하면 성능이 좋은 다른 모델들을 만들 수 있기 때문 !ㄴ 앙상블이라는 기법을 사용해서앙상블 : 하나의 모델을 쓰는

결정 트리 : 예/아니오 질문들 + 이 질문들을 답해나가면서 분류 하는 알고리즘ex) 교통 사고 생존 여부 분류많게 나타낼 수도 있다중요 !! ) 한 속성을 딱 한 번만 사용할 수 있는 것은 아니다똑같은 속성을 여러번 사용 가능이번 과제에서는 위 결정 트리를 if-el

training set과 test set으로 나눠서 예측 및 평가를 하다보면 딱 이 test set에서만 성능이 안 좋을 수도 있음 \-> 이거를 막아주는게 k겹 교차 검증ex) 1000개의 데이터이 데이터 셋을 5개로 나눈다맨 앞 200개를 test set, 그 나머

모델이 너무 간단해서 복잡한 곡선 관계를 학습할 수 없다 = 편향이 높다모델이 데이터들 사이의 관계를 완벽하게 학습했다 = 편향이 낮다그럼 편향이 낮은 모델이 항상 편향이 높은 모델보다 좋을까??ㄴ 꼭 그렇지는 않다이 모델은 training 관계를 완벽하게 이해한 모델

scikit-learn도 아무렇게나 사용하면 성능이 떨어질 수 있다 !이번 토픽에선 머신 러닝 알고리즘의 속도와 정확도를 높이는 법이 이론들을 scikit-learn과 pandas 라이브러리에서 적용하는 법을 배우고자 한다 !!이는 앞으로 배울 수많은 머신 알고리즘에도

ex) 어떤 이메일이 스팸인지 아닌지, 아니면 기사가 스포츠 기사인지 정치 기사인지 연예 기사인지.. 를 본다고 가정보통 분류 문제를 풀 때) 각 결괏값에 어떤 숫자 값을 지정해줌ex) 이메일이 스팸인지 아닌지 분류할 때이메일엔 0, 스팸에는 1 이런식으로ex) 공부한

데이터들에 적합한 선이 꼭 직선이 아닐 수도 있다이렇게 ! 곡선일 수도 있다는 것 !!선형회귀에서 최적선이 직선일 때에 가설함수는였는데 곡선일 때에는이런식의 2차식으로 쓸 수 있고삼차함수일 때엔3차식의 가설함수를 써서이런 그래프를 나타낼 수 있다이렇게 데이터에 잘 맞는

선형회귀 : 입력변수 1개 --(예측)--> 목표변수여러 입력변수를 사용하는게 다중 선형 회귀이다다중 선형 회귀는 시각적으로 표현하기 힘들다ㄴ 하지만 개념은 똑같다 !!입력변수를 속성이라고 한다이 표에서는 속성이 4개여서 n=4라고 한다그리고 입력변수는 4개이지만 목표

데이터들 중 가장 적절한 선을 찾는 것가장 잘맞는 선 = 최적선단순하면서도 유용하고 다른 알고리즘의 기반이 된다 !선형회귀는 머신러닝의 지도학습, 비지도학습, 강화학습 중에 지도학습에 속한다 ! 그리고 지도학습은 분류와 회귀로 나뉘는데 선형회귀는 회귀에 속한당목표 변수

함수ex) y = 3x + 6\-> 10이라는 input이 들어가면 36이라는 output이 나온다주의! 하나의 input에 대해서 하나의 output만 나온다 !!함수가 아닌 경우 )하나의 인풋에 두개의 아웃풋이 나오기 때문에 함수가 아닌 경우이다인풋이 여러개일 수도

선형 대수학 = 일차식(가장 높은 차수가 1인 다항식)이나 일차 함수를 공부하는 학문일차함수의 예시)f(x,y) = 3x + 6y + 4행렬 (Matrix)행렬의 가로줄을 행(row), 세로줄을 열(column)이라고 부름위의 행렬은 3x4행렬이라고 부른다A21 = 2

머신러닝 : "기계 학습" = 기계가 학습을 통해 발전ㄴ 경험을 통해 스스로 업무 능력을 향상시킨다 != 기계가 학습한다는 건, 프로그램이 특정 작업을 하는 데 있어서 경험을 통해 작업의 성능을 향상시키는 것사용할 수 있는 데이터가 많아졌다 ( 데이터가 충분히 없으면

파일 열어보기output그래프화 시키면output채널들의 총 시청률output이걸 간단하게 적을 수도 있다outputcolumn에 추가해보자!!outputTotal을 그래프화 시키자output지상파와 종편을 나누어서 group1과 group2로 나눠보자output새로