인공지능 개발일지

안녕하세요. 이번 시간에는 K-Fold/Stratified K-Fold를 이용해서 교차 검증과 데이터를 분리하는 방법 그리고 GridSearch CV를 이용해서 하이퍼 파라미터를 찾는 법에 대해 알아봅시다. 저는 요즘 머신러닝 사놓은 책들 정주행 중인데 보면서 배운 ML 전반에 대한 이론을 정리하는 중에 있습니다. 이런 이론들을 배워야하는 이유는 나중에 필요할 때 사용할 수 있어야 하기 때문입니다. 저의 경우는 다른 라벨에 개수에 민감한 데이터를 만지다가 데이터를 분리해야하는 상황에서 이 Stratified를 이용해서 분리한 경험이 있습니다 라벨의 분포도를 유지하여 데이터를 분리한다는 것의 의미는 원본 데이터의 패턴을 최대한 유지하는 것입니다. 그래서 부록으로 이 장의 마지막에 이의 활용한 코드를 한 번..

안녕하세요! 이번 시간에는 로지스틱 회귀를 이용하여 분류 문제를 풀어봅시다. 들어가기 앞서서 혹시 회귀가 뭔지, 로지스틱 회귀가 뭔지 헷갈리거나 들어는 봤지만 뭔지 정확히 모르겠다 하시는 아래 글을 참고해주세요:) https://perconsi.tistory.com/82 [머신러닝] 회귀(Regression)의 종류(선형 회귀, 다항 회귀, 다중 회귀)와 시그모이드 함수의 역할 안녕하세요! 이번 시간에는 선형 회귀와 다항 회귀에 대해 알아봅시다. 선형 회귀와 다항 회귀에 대해 알아보기 전에 먼저 회귀가 전체 머신러닝 구조도 중에 어디에 있는지 알아봅시다. (저는 perconsi.tistory.com 또한 feature, target, label이란 단어에 익숙하지 않으시다면 아래 용어 정리 글도 보시고 ..

안녕하세요! 이번 시간에는 선형 회귀와 다항 회귀에 대해 알아봅시다. 선형 회귀와 다항 회귀에 대해 알아보기 전에 먼저 회귀가 전체 머신러닝 구조도 중에 어디에 있는지 알아봅시다. (저는 학습을 할 때 전체 중에 어디를 배우고 있는지 아는 것을 중요하게 생각합니다) 머신러닝은 크게 지도 학습, 비지도 학습, 강화 학습으로 나뉘는데 우리는 그중에서 지도 학습을 봅시다. 지도 학습은 아래와 같이 분류할 수 있습니다. 분류는 라벨이 이산적인 분포일 때 사용하고, 회귀는 라벨이 연속적인 분포일 때 사용합니다. 그리고 이진 분류는 정답(라벨)이 둘 중 하나일 때 사용하고 멀티 라벨 분류는 정답이 여러 개 중 하나일 때 사용합니다. 비유하면 정답의 형태가 분류는 객관식(선택), 회귀는 주관식이라고 할 수 있겠네요 ..

안녕하십니까! 너무 오랜만에 글을 써서 조금 반성이 되네요. 이번 시간에는 머신러닝, 딥러닝을 코딩할 때 자꾸 나오는 이 변수 x와 Y가 어떤 의미인지 전달해 드리려고 합니다. 이는 제가 현재 진행 중인 머신러닝 스터디에서도 한 번 다뤘던 내용인데 블로그에도 올리면 좋을 것 같아 올립니다. 제가 처음 머신러닝 코드를 접할 때 느낀 첫인상은 물음표였습니다. 아니 x는 뭐고 Y는 뭐지? 코드의 흐름이 잘 이해가 가지 않았습니다. 그런데 최근 들어 여러 이론을 다지다 보니 어느 순간 이해가 되어서 여러분도 꼭 이해가 되셨으면 좋겠습니다. 1. 머신러닝 용어정리 그래서 x, Y가 뭔데?라고 하시면 그전에 알아야 할 머신러닝의 전반적인 흐름과 용어를 먼저 정리해 보았습니다. 이 개념을 머릿속에 확실히 박아 놓으시..