⚙️ VGG Model 📌 데이터 준비 import tensorflow as tf fahion_mnist = tf.keras.datasets.fashion_mnist (train_X, train_y), (test_X, test_y) = fahion_mnist.load_data() train_X = train_X / 255.0 test_X = test_X / 255.0 train_X = train_X.reshape(-1,28,28,1) test_X = test_X.reshape(-1,28,28,1) 📌 데이터 펌핑하기 import numpy as np augment_size = 30000 randidx = np.random.randint(train_X.shape[0], size=augment_size) #..
ASAC 빅데이터 분석가 4기
⚙️ Deep Learning 📌 Learning 최적화 문제 : 비용 함수의 값을 최소/최대화 하는 w를 찾는 문제 Back Propagation : 인공신경망에 경사 하강법을 적용할 때 Loss Function부터 시작하여 각 Layer들을 역방향으로 접근하며 지금까지 실행했던 함수들을 역으로 따라가 미분값을 곱하며 연산하는 방법 활성화 함수의 미분 📌 훈련 단위 훈련 데이터 단위 Batch 방식 Gradient Descent를 정확히 계산한다. 훈련 궤적이 부드럽다. 훈련 데이터 단위 Stochastic 방식 훈련 궤적이 상당히 많이 진동한다. 훈련 데이터 단위 Mini-Batch 방식 작은 단위로 묶어서 학습하여 속도가 빠르다. 모델의 성능이 좋은 경향이 있다. 📌 Epoch Batch : Gra..
⚙️ Deep Learning 📌 CNN Convolution : 두 함수를 곱하여 적분하는 연산 이미지와 Convolution 특징 추출 : 세로 특성, 가로 특성, edge 추출 이미지 변환 : 이미지에 필터 적용 Convolution 연산 입력 데이터 Shape : 3D Tensor Filter Shape : 3D Tensor Filter Size : 신경망의 성능이 최대가 되도록 설정 (일반적으로 3x3, 5x5, 7x7) Filter Numbers : 이미지 복잡도에 따라 다르게 설정 (이미지 특징의 수에 비례) 결과 : 2D Feature Map ⚙️ 실습 📌 MNIST 데이터 준비 import tensorflow as tf fahion_mnist = tf.keras.datasets.fashi..
⚙️ Deep Learning 📌 FNN 네트워크 설계 요소 입력 입력 형태 출력 출력 형태 활성 함수 은닉 계층 활성 함수 네트워크 크기 네트워크 깊이(계층 수) 네트워크 폭(계층별 뉴런 수) 📌 FNN 분류 문제 Binary Classification 개념 : 이진 분류 출력에서의 활성 함수 : 0 ~ 1 사이의 값으로 변환해주는 Sigmoid 함수 Multi Classification 개념 : 다중 분류 출력에서의 활성 함수 : 여러 개의 클래스에 할당한 확률의 합이 1이 되도록 해주는 Softmax 함수 📌 FNN 회귀 문제 출력에서의 활성 함수 : 항등 함수 📌 FNN 구성 요소 Input Layer : 입력 데이터를 벡터 형태로 받아들여 다음 레이어로 전달한다. Activation Functi..
⚙️ Deep Learning 📌 신경망 얕은 신경망 : 가장 단순하고 얕은(은닉 계층이 1개인) 신경망 구조 심층 신경망(DNN) : 얕은 신경망보다 은닉 계층이 많은 신경망 구조 📌 FNN(순방향 신경망) FNN : 데이터가 한 방향으로 전달되는 연결구조만을 갖는 가장 기본적인 구조의 신경망 구조 뉴런들이 모여 계층을 이루고, 이 계층이 쌓여 전체적인 신경망을 이루는 구조 Input Layer + Hidden Layer + Output Layer Hidden Layer의 복잡도에 따라서 가변적으로 구성 Fully Connected Layer 연결 FNN의 뉴런 구조 뉴런은 데이터에 내재된 특징을 추출하기 위해 가중치가 있는 선형결합을 입력으로 하여 활성 함수를 바탕으로 다음으로 넘겨준다. 활성 함수로..
⚙️ Kaggle [ House Prices ] 도전하기 📌 데이터 전처리 # 필요한 패키지들 import pandas as pd import numpy as np # 간단한 EDA import matplotlib.pyplot as plt import seaborn as sns # 통계 관련 부분 import scipy.stats as stats # 데이터 처리 from sklearn.model_selection import train_test_split # 데이터 로드 train_path = "train.csv" test_path = "test.csv" train_df = pd.read_csv(train_path) test_df = pd.read_csv(test_path) # 데이터 확인 train_d..
