nsbg 🌞

개인 공부 5월 한달 간은 개인 공부를 제일 많이 했다. 확정은 아직 안 났지만 대학원을 진학하려는 한 사람으로서 기초 지식을 쌓는 단계였는데 텐서플로우 튜토리얼, 모두의 딥러닝, 데이콘 , 핸즈온 머신러닝 책으로 공부를 진행했다. 용어 하나하나 무슨 뜻인지 알고 넘어가야지 하다 보니까 진도를 엄청 나간 건 아니지만 말로만 인공지능 분야에 관심이 있었던 과거의 나에 비하면 장족의 발전이었다. 한 문장이 굉장히 길다 머쓱 ^^; 공부한 내용을 블로그에 기록해두면서 블로그도 나름 활발하게 쓴 5월! 앞으로도 블로그는 꾸준히 쓸 수 있도록 노력해야겠다. 프로젝트 연구실 일과 졸업 과제를 제외하고 개인적으로 진행한 것은 없다. 감사하게도 솔루션 챌린지 Top 50에 들게 되어 6월부터 프로젝트가 다시 진행될 것..

사이킷런의 LogisticRegression 모듈을 import해서 사용한 후에 위와 같은 에러 창이 떴다. 에러 내용에 Increase the number of iterations (max_iter) or scale the data as shown in ~ 이라는 문구가 있는 걸 봐서는 1) 반복 횟수의 max를 크게 하거나 2) 아래 링크를 따라 데이터를 조정해주거나 둘 중 하나의 방법으로 해결할 수 있을 것 같다. LogisticRegression의 max_iter 기본값은 100인데 100보다 큰 수로 max_iter를 지정해주면 된다. 깔끔!

crossentropy 선형 회귀 모델과 다르게 이름에는 회귀가 들어가지만 실제로는 분류 문제인 로지스틱 회귀에 사용되는 손실함수가 crossentropy이다. binary_crossentropy x = [-2.2, -1.4, -0.8, 0.2, 0.4, 0.8, 1.2, 2.2, 2.9, 4.6] 인 X가 있을 때 각 점에 아래 그림과 같이 빨간색 혹은 초록색의 색상을 부여한다고 가정하자. 우리가 해결해야 분류 문제는 X(feature)가 주어졌을 때 그 점의 색상(label)을 맞추는 것으로 명확해진다. 빨간색과 초록색 둘 중 하나의 경우로 분류를 하는 것이기 때문에 이진 분류에 해당하며 위 예시에서는 초록색을 1, 빨간색을 0이라고 한다. 모든 X 요소에 대해 각각의 요소가 초록색일 확률(p)과 빨..

실습용 사이트로 선택한 데이콘에서 MNIST를 혼자 힘으로 해결해봐야지 하는 패기와 함께 제출한 답안의 결과다. 첫번째 시도 후 ?? 싶어서 두번째 파일을 제출했는데 10%도 안되는 정확도에 머리가 아찔- 하지만! 3일 동안 붙잡고 있던 결과 0.981까지 정확도를 올릴 수 있었고 행복한 마음으로 코드를 분석해보고자 한다. 처참한 정확도의 원인도 나름대로 열심히 분석할 예정이라 누군가에게는 유익한 글이 되기를 바라면서! 🔎 데이터 확인 ① train.csv: 픽셀값과 이미지가 보여주는 숫자 값 ② test.csv: 픽셀값 ③ sample_submission.csv: 제출 파일의 예시 ✨ 목표 test.csv의 픽셀값으로 각 인덱스의 레이블(숫자) 예측하기 👀 코드 분석 import tensorflow a..

코랩에서 MNIST 실습을 하려던 중 보게 된 에러 메시지이다. No module named 에러는 pip(또는 !pip) install로 웬만하면 다 해결되는데, pip install tensorflow-examples로 해결되지 않아서 구글링해봤다. 출처는 https://github.com/tensorflow/tensorflow/issues/32790 이고 내가 사용한 방법은 1)이다. import 사용 import tensorflow_datasets as tfds # Construct a tf.data.Dataset dataset = tfds.load(name="mnist", split=tfds.Split.TRAIN) tensorflow_datasets이라는 모듈을 import하고 name에서 mn..

텐서플로우 블로그(tensorflow.blog/) 내용을 바탕으로 정리한 글입니다. Tensor 모든 머신러닝 시스템이 일반적으로 사용하는 기본 데이터 구조. 데이터를 위한 컨테이너라고 할 수 있으며, 대부분 수치형 데이터를 다루는 데에 사용되고 있다. 임의의 차원 개수를 가지는 행렬의 일반화된 모습이기도 하다. * 차원을 '축'(axis)이라고 하기도 함 0D 텐서 - 스칼라 텐서 하나의 숫자만 담고 있는 텐서로 numpy에서 float32나 float64 타입의 숫자를 의미한다. 스칼라 텐서의 축 개수는 0개이다. ex) x = np.array(12) * 축 개수를 랭크(rank)라고 하기도 함 ** tf.constant() : 상수 텐서 생성 1D 텐서 - 벡터 텐서 숫자의 배열. 단 하나의 축을 ..

kaggle(www.kaggle.com/)의 Intermediate Machine Learning 코스를 정리한 내용입니다. 자체 번역으로 공부하다보니 의미가 제대로 전달되지 않은 부분이 있을 수 있습니다. 잘못된 내용, 의견을 나눠보고 싶은 내용, 오타 등이 있다면 편하게 댓글로 남겨주세요 =) 1. Missing Values - 결측치 Three Approaches 1) 결측치가 있는 열 전체 삭제 가장 쉬운 방법이지만 중요한 데이터가 담긴 열에 소수의 결측치가 있을 경우 열 전체가 삭제되는 단점이 존재한다. cf. NaN? Not a Number. 표현 불가능한 수치형 결과 2) 대치(Imputation) 결측치를 특정 값으로 대체하는 방법으로 위의 사진은 평균값을 이용해 값을 채운 모습이다. 많은..

kaggle(www.kaggle.com/)의 Intro to Machine Learning 코스를 정리한 내용입니다. 자체 번역으로 공부하다보니 의미가 제대로 전달되지 않은 부분이 있을 수 있습니다. 잘못된 내용, 의견을 나눠보고 싶은 내용, 오타 등이 있다면 편하게 댓글로 남겨주세요 =) 1. How Models Work '침실이 2개인가?' 라는 질문의 답에 따라 집의 예측 가격을 두 갈래로 나눌 수 있다고 가정한다면, 각 갈래에 어떤 집을 넣을 것인지 결정하기 위해서는 데이터를 사용해야 한다. 그리고 나눠진 그룹 안에서 패턴(침실 개수와 같은 조건들)에 따라 또다시 예측 가격을 결정하게 될 것이다. 데이터로부터 패턴을 찾아내는 과정은 모델의 fitting 혹은 training, 이 과정에서 사용되는..

개인 공부 4월은 중간고사의 달! 듣고 있는 과목이 다 시험을 치는 게 아니라 과제 대체인 과목도 있었어서 시험기간이 엄청 바쁘지는 않았다. 작년 2학기보다 더 널널했기 때문에 굉장히 여유로웠음. 시험기간이라는 부담감이 덜 했던 건 맞지만 멀티는 안되는 스타일이라 다른 공부는 안했다. 이제 슬슬 5월의 계획과 앞으로 해야할 일들에 대해서 정리를 해봐야겠다. 프로젝트 연구실 랩미팅 쭉 하다가 이번주는 쉬는 주다. 중간 점검 느낌으로 프로그램 돌려보고 엑셀로 결과 정리까지 해놨는데 실제 결과랑 비교해서 고치는 작업을 당분간 할 것 같다. 연구실 일 말고는 따로 진행한 프로젝트는 없음! 독서 책 3권을 읽으려고 빌려놨는데 제발 다 읽고 반납하기를 바란다 내자신아,,ㅎ 내가 정말 무지한 분야인 경제학, 그냥 재..

개념배열을 둘로 분할하고 분할한 배열을 재귀 호출로 정렬하여 하나의 배열로 만든다는 점이 합병정렬과 비슷하지만, 좌/우를 균등분할하는 것이 아니다. pivot(기준 원소)을 선정하여 pivot보다 작은 원소는 모두 왼쪽 배열로, 크거나 같은 원소는 모두 오른쪽 배열로 가도록 분할한다.* 위의 이미지에서 검은색 배경의 숫자가 pivot 특징▪ 불안정 정렬▪ 비교 정렬(값 비교에 기반한 정렬 알고리즘)▪ 재귀 호출이 한번 진행될 때마다 최소한 하나의 원소는 위치가 결정되기 때문에 반드시 끝나는 알고리즘이라는 것을 보장 가능 흐름① pivot 선정② [분할] pivot보다 작은 원소들이 앞에 오고, 뒤에는 값이 크거나 같은 모든 원소들이 오도록 배열을 둘로 분할③ [정복] 부분 배열을 정렬(배열의 크기가 충분..