# Keras

[Keras] 1차 함수예측 모델 만들기
1. 입력데이터 (1) 데이터 준비 > train을 위한 data로 , 인 데이터를 준비했다. 이를 시각화하면 위와 같이 1차 함수가 그려진다. > test를 위한 data로는 , 인 데이터를 준비했다. > 입력과 출력의 차원은 1로 설정했다. 2. 모델

[TIL] 딥러닝 기초
[!Important]+ Goals >- 기초 알고리즘의 개요 >- 기본적인 구현방법 >- 튜닝 방법 >[!info]+ Subject >- 기계학습 프로젝트에 관련된 모든 분 >- DL 구현을 시작하고 싶으신 분 > [!abstract]+ Curriculum > 1. 심층학습 실전 > 2. 심층학습 튜닝 > - 첨삭문제 심층학습 실전 심층학습 개요 ...

Optimizer(옵티마이저)
💡 손실 함수에 손실 점수에 따라 가중치를 조절해주는 역할을 한다.손실 함수를 줄여나가면서 학습하는 방법은 어떤 옵티마이저를 사용하는 지에 따라 달라진다. ✔️ 종류 1. 경사하강법(Graient Descent) : 기울기가 0에 가까워지는 점을 찾는다.

Keras(케라스)_주택 가격 예측 : 회귀 문제
💡 보스턴 하우징 데이터셋을 활용한 주택 가격 예측 ✔️ 보스턴 하우징 데이터 셋 케라스에 포함되어 있는 buston_housing 데이터를 이용해 주택 가격을 예측하는 회귀 문제를 구현할 수 있다. 우선 케라스에서 제공하는 boston_housing 데이터를 i

Keras(케라스)_영화리뷰 분류
💡 IMDB(Internet Movie Data base) DataSet ✔️ imbd 데이터 셋은 케라스에 포함되어 있는 영화 리뷰 데이터를 이용해 파이썬으로 딥러닝을 구현할 수 있다. 우선 케라스에서 제공하는 imbd 데이터를 import해주고 traindata

Keras(케라스)_mnist dataset 활용
💡 파이썬으로 구현된 high-level deep learning API이다.high-level은 추상화 레벨이 높다는 것으로 딥러닝 모델에 적합하다.또한 쉬운 사용법과 간단한 문법, 빠른 설계가 가능하다.케라스는 위와 같이 x값 input되었을때,예측된 y값과 실제

텐서플로우로 딥러닝 모델 구현하기
데이터셋 준비하기 딥러닝 모델 구축하기 모델 학습시키기평가 및 예측하기Epoch:한번의 epoch는 전체 데이터셋에 대해 한번 학습을 완료한 상태Batch: 나눠진 데이터 셋 (보통 mini-batch라고 표현) iteration는 epoch를 나누어서 실행하는 횟수를
GAN(Generative Adversarial Networks) 모델, VAE
import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltK = tf.keras.backendclass Sampling(tf.keras.layers.Layer): def call(self, i

Sequential 모델, Keras Dense acivation(활성화 함수)
Sequential 모델은 계층을 선형으로 쌓은 것입니다.다음과 같이 계층 인스턴스 리스트를 생성자에 전달하여 Sequential 모델을 만들 수 있습니다..add() 메소드를 이용해 계층을 쉽게 추가할 수도 있습니다:<평균제곱계열 - 회귀문제>mse : 오차의

Air pollution Forecasting LSTM
필수 모듈을 불러온다 . 데이터를 불러온다.문자열 데이터를 확인하고 숫자로 변환해준다.각 컬럼들을 시각적으로 변환하여 본다.지정된 시간에 걸친 오염 변화를 확인하여 준다.데이터를 정리하고데이터프레임의 값을 불러오고 실수형으로 변환한다.MinMaxScaler를 통해 데이

케라스 창시자에게 배우는 딥러닝_12장
생성 모델을 위한 딥러닝 > 지금까지 학습해온 딥러닝을, 예술 창작에 어떻게 쓰일 수 있는지 다양한 각도에서 살펴보자. 텍스트 생성 시퀀스 데이터 생성하기 순환 신경망으로 시퀀스 데이터를 생성하는 방법을 알아보자. 딥러닝에서 시퀀스 데이터를 생성하는 일반적인 방법은

케라스 창시자에게 배우는 딥러닝_11장(2)
텍스트를 위한 딥러닝(제 2탄) 🗣️ 트랜스포머 아키텍처 도입부 2017년부터 새로운 모델 아키텍처인 트랜스포머(transformer)가 대부분의 자연어 처리 작업에 순환 신경망을 앞지르기 시작하였다. 트랜스포머는 순환층이나 합성곱 층을 사용하지 않고 '뉴럴 어텐

케라스 창시자에게 배우는 딥러닝_11장(1)
한국어나 영어 같은 사람의 언어를 어셈블리어, LISP, XML 과 같은 기계를 위해 고안된 언어와 구별하기 위해 자연어(natural language)라고 부른다.자연어는 복잡하고, 모호하고, 불규칙하고, 끊임없이 변화한다. 자연어를 이해할 수 있는 알고리즘을 만드는