Pivot the Occupation column in OCCUPATIONS so that each Name is sorted alphabetically and displayed underneath its corresponding Occupation. The outpu

nn.SequentialSub-class of nn.Moduleinit() 에서 Layers를 초기화 함.forward 함수를 구현PyTorch에서는 TF와 이미지를 표현하는데 있어서 차이점이 있음.TF - (batch, height, width, channel)PyT

autograd는 PyTorch에서 핵심적인 기능을 담당하는 하부 패키지이다.autograd는 텐서의 연산에 대해 자동으로 미분값을 구해주는 기능을 한다.텐서 자료를 생성할 때, requires_grad인수를 True로 설정하거나.requiresgrad(True)를 실

PyTorch에서는 Tensor type이 Variable과 Constant를 포함기존에는 Variable 타입이 있었지만, 이는 자동미분을 위한 것이었는데, 이 기능을 Tensor 타입에 포함시킴기존의 데이터를 Torch의 Tensortorch.tensor()torc

데이터를 불러오는 동시에 여러가지 전처리를 쉽게 구현 할 수 있는 tf.keras의 기능!Data Aumentation -> Overfitting 방지데이터를 모두 메모리에 불러두고 사용 할 때어렵다...💻 출처 : 제로베이스 데이터 취업 스쿨

로컬 환경에 저장되어 있는 파일을 읽어 보겠습니다.cifar 데이터를 load하지 않고 로컬에서 읽어 온다.미리 이미지 데이터를 모두 불러오는게 아니라 그 때 그 떄 처리를 하는 것속도도 더 빨라요!AUTOTUNE = tf.data.experimental.AUTOTUN

fit의 입력값x = Noney = Nonebatch_size = Noneepochs = 1verbose = 'auto' : 학습과정 출력문의 모드callbacks = None : Callback 함수validation_split = 0.0 : 입력 데이터의 일정 부분

지금까지 정리딥러닝 프로젝트를 수행하기 위해서 아래 4 단계를 구현 하면 된다.모델을 정의 하는 방법! \- Sequencial 사용하기 (우리가 지금까지 모델을 만들던 방식) \- Functional API model \- Sub class modelDatalo

TensorFlow에서 제공하는 MNIST 예제데이터 shape, dtype 확인하기훈련용 데이터 넷에 각 숫자의 그림이 몇 개인가?df_view = pd.DataFrame(data={'count':y_counts}, index=y_unique) df_viewdf_vi

$X$ 를 Feature, ,$w$를 가중치 벡터, $y$를 Target이라고 할 때, $X^T X$의 역행령이 존재 한다고 가정했을 때, 아래의 식을 이용해 $w$의 추정치 $w^\*$를 구해봅시다. $$w^{\\ast} = (X^TX)^{-1} X^T y$$이번에

tf.GradientTapetf.GradientTape는 컨텍스트(context) 안에서 실행된 모든 연산을 테이프(tape)에 "기록". 그 다음 텐서플로는 후진 방식 자동 미분(reverse mode differentiation)을 사용해 테이프에 "기록된" 연산의

항상 체크 해야 할 것 !shapedtype (데이터 타입이 같아야 연산이 가능합니다.)tf.constant()list -> Tensortuple -> TensorArray -> Tensor※ double precision : 64bits※ single precisio

특정 자연어 Task 를 해결하기 위해서는 다양한 Label이 요구됨. 특히, format도 매우 복잡함수많은 텍스트 데이터들이 레이블이 없이 존재함(가정) 주어진 문장에 대한 함축적인 문맥을 이해할 수 있다면 다양한 Task에 적용 가능Fine tunning (cv)

Multi-Head Attention의 output dimension과 input의 크기가 같아야 함?..Transformer \- 기계번역 task에서 기존의 연구들보다 성능적으로 우수 \- 병렬적으로 처리가 가능한 모델 → time complexity 감소 \

Tabular Dataset : 각각의 샘플들이 구성하고 있는 features는 독립적이미지 : 이미지 안에 의미있는 정보는 위치에 무관. Convolution 연산은 위치에 무관한 지역적인 정보를 추출하기 좋은 연산자연어 데이터(문장)의 경우, 문장을 구성하고 있는

simple RNN : 순환신경망 \- 활성화 신호가 입력에서 출력으로 한 방향으로 흐르는 피드포워드 신경망 \- 순환 신경망은 뒤쪽으로 연결하는 순환 연결이 있음 \- 순서가 있는 데이터를 입력으로 받고 \- 변화하느 ㄴ입력에 대한 출력을 얻음메모리셀 : 순환

Classification : 주어진 데이터를 주어진 라벨(클래스)에 의해 분류하는 법을 학습Clustering : 주어진 데이터를 데이터의 특징에 의해 스스로를 클래스로 분류Classification : 주어진 데이터가 어떤 라벨(클래스)인지 예측하는 것. discr

colab에서 작성데이터가 작을 때, 모델이 과적합되지 않게 하기 위한 방법도 됨너무너무 어렵다 ㅠㅠ...💻 출처 : 제로베이스 데이터 취업 스쿨

오토인코더는 입력과 출력이 동일하다 \- 자기 자신을 재생성하는 네트워크Latent Vector : 잠재변수Encoder : 입력쪽Decoder : 출력쪽인코더는 일종의 특징추출기와 같은 역할디코더는 압축된 데이터를 다시 복원하는 역할import randomplt.f

너무너무 어렵다 ㅠㅠ...💻 출처 : 제로베이스 데이터 취업 스쿨