비지도학습의 대표적인 방법 중 하나로 차원 축소 알고리즘이 있다. 차원 축소는 수많은 정보 속에서 더 중요한 요소가 무엇인지를 알게해주는 방법이다. 비지도학습에서 여러 feature(특징)들 중에서 어떤 feature가 데이터를 가장 잘 나타내는지 알게 해주는 특징 추
비지도학습의 대표적인 방법 중 하나로 차원 축소 알고리즘이 있다. 차원 축소는 수많은 정보 속에서 더 중요한 요소가 무엇인지를 알게해주는 방법이다. 비지도학습에서 여러 feature(특징)들 중에서 어떤 feature가 데이터를 가장 잘 나타내는지 알게 해주는 특징 추
머신러닝 유형에는 지도학습, 비지도학습, 강화학습이 있다. 1.지도학습
scikit-learn(사이킷런)의 예제를 사용하여 해볼것이다.데이터셋을 다루기전에 데이터셋의 정보를 먼저 확인하는 것이 중요하다.( 몇개의 데이터가 있는지, 몇개의 정보가 담겨있는지 )https://scikit-learn.org/stable/datasets/
비지도 학습은 지도학습과 다르게 훈련데이터에 정답(label)이 없는 학습방법이다. 클러스터링 클러스터링이란 개체들이 주어졌을 때, 개체들을 몇 개의 그룹으로 나누는 과정을 의미한다. 1. K-Means 클러스터링의 대표적인 알고리즘이다. 알고리즘의 순서를 보자
학습용 데이터를 만들기위해서 사이트에 들어가 묵,찌,빠를 여러장 찍어서 각각을 zip파일로 저장한다 https://teachablemachine.withgoogle.com/from PIL import Image import glob PIL : 이미지
딥러닝에서 활성화 함수는 왜 필수적일까?활성화 함수는 보통 비선형 함수를 사용하는데 MLP안에 포함시키면서 모델의 표현력이 좋아지기때문이다. 레이어 사이에 비선형 함수가 포함되지않은 MLP는 그저 한개의 레이어로 이루어진 모델과 다를게 없다.그림에서도 볼 수 있듯이 시
관찰된 여러 데이터를 기반으로 각 연속형 변수간의 관계를 모델링하고 적합도를 측정하는 분석방법독립변수와 종속변수 사이의 상호 관련성 (함수관계)종속변수 y와 한 개 이상의 독립변수 x와의 선형 상관관계를 모델링하는 회귀분석 기법이다.간단하면서도 실생활에 적용되는 경우가
신경망 모델 학습 시 모델의 층이 깊어질수록 학습 결과가 좋다.하지만 층을 또 너무 깊게 쌓아버리면 문제가 생긴다.멀리서 말하는 사람의 목소리가 잘 안들리듯이, 모델이 깊어질수록 모델의 학습을 위한 gradient가 사라지는 현상이 발생한다.레이어의 가중치가 반복돼서
선형 레이어 Linear Layer는 Dense Layer, Fully Connected Layer 등등 다양한 이름으로 불려진다.linear layer는 선형 변환을 활용하여 데이터를 특정 차원으로 변환하는 기능을 한다.100차원의 데이터를 300차원으로 변환한다면
필터가 이미지와 겹쳐지는 부분의 convolution 연산을 통해서 새롭게 이미지를 변환한다.사진필터가 convolution 연산을 활용한 좋은 예이다.다양한 필터들이 convolution을 위한 행렬로 정의되어있다. 위의 그림은 3x3 사이즈의 커널(필터)을 선언한
Regularization과 Normalization 무슨 차이가 있을까?Regularization은 정칙화로 불리며 오버피팅을 해결하는 방법 중 하나이다. L1 Regularization, L2 Regularization, Dropout, Batch normaliza
머신러닝에 사용되는 인공신경망이 사람의 신경세포 뉴런을 흉내내어 만들어졌다는 글을 많이 봤을 것이다. 인공 신경망에는 인공 뉴런이 있는데 퍼셉트론이라고 말한다.뉴런은 크게 세포체, 가지돌기, 축삭돌기, 시냅스로 구성되어있다. 가지돌기세포로 전달되는 신호를 받아들이는 부
딥러닝 모델을 잘 학습시키위해서는 수많은 데이터를 확보해야한다. 수백~수천만장의 데이터셋을 만들기는 돈도 시간도 많이 들기에 현실적으로 힘든 부분이다. 우리는 데이터를 많이 모으기 힘든 경우에 Aumentation 기법을 사용하여 데이터셋의 규모를 키울 수 있다. 이
가장 단순한 딥러닝 형태로 주어진 이미지 안의 물체가 무엇인지 알아내는 것이다. cats_vs_dogs 데이터셋의 경우 고양이의 이미지가 들어오게되면 학습된 모델이 고양이로 classification하는 것을 예로 들 수 있다. 주어진 이미지 안의 물체가 어느 위치에
세그멘테이션을 하는 방법으로는 시맨틱 세그멘테이션과 인스턴스 세그멘테이션 으로 나눌 수 있다. 좌측의 그림은 시맨틱 세그멘테이션의 예시로 양, 길, 풀밭으로 영역을 구분하지만 양들 각각을 구분하지 않는다. 반면에 우측의 그림은 인스턴스 세그멘테이션의 예시로 같은 종류의