티스토리

Emilia Archives

검색하기

블로그 홈

Emilia Archives

emilia.tistory.com/m

All men by nature desire knowledge.

구독자: 0

방명록 방문하기

728x90

주요 글 목록

Supervised Learning - Softmax Classfication (multi-variable 2) Softmax Classifiation : 주어진 입력에 따라 3개 이상의 class에서의 예측 (=Multi Classification) Linear : H(x) ∈ (-inf, inf) Softmax : H(x) ∈ [0,1] Step1) Hypothesis Step2) Cost function Step3) Training - gradient descent method Tensorflow w/ min-max scaling #load module import numpy as np import tensorflow as tf import matplotlib.pyplot as plt #input & label x_input = tf.constant([[25,22],[25,26],[25,30],[35,22],.. 공감수 0 댓글수 0 2023. 8. 6.
Supervised Learning - Softmax Classification (multi-variable 1) Softmax Classifiation : 주어진 입력에 따라 3개 이상의 class에서의 예측 (=Multi Classification) Linear : H(x) ∈ (-inf, inf) Softmax : H(x) ∈ [0,1] Step1) Hypothesis Step2) Cost function Step3) Training - gradient descent method Numpy w/o min-max scaling #load module import numpy as np import matplotlib.pyplot as plt #input & label x_input = np.array([[1, 1], [2, 2.5], [2.5, 1.3], [4.3, 9.5], [5.5, 7.0], [6, 8.2],.. 공감수 0 댓글수 0 2023. 8. 6.
Supervised Learning - Logistic Regression (multi-variable 2) Logistic Regression : 주어진 입력에 따라 discrete 한 값을 예측 (=Binary Classification) Linear : H(x) ∈ (-inf, inf) Logistic : H(x) ∈ [0,1] Hypothesis function 으로 logistic function (sigmoid function) 적용하여 regression 진행 입력에 따라서 0~1 사이 값 출력 application) 메일의 스팸여부, 영화 감상 긍정/부정, 주식 종목 구분 등 Step1) Hypothesis Step2) Cost function Step3) Training - gradient descent method Tensorflow w/ min-max scaling #load module i.. 공감수 0 댓글수 0 2023. 8. 6.
Supervised Learning - Logistic Regression (multi-variable 1) Logistic Regression : 주어진 입력에 따라 discrete 한 값을 예측 (=Binary Classification) Linear : H(x) ∈ (-inf, inf) Logistic : H(x) ∈ [0,1] Hypothesis function 으로 logistic function (sigmoid function) 적용하여 regression 진행 입력에 따라서 0~1 사이 값 출력 application) 메일의 스팸여부, 영화 감상 긍정/부정, 주식 종목 구분 등 Step1) Hypothesis Step2) Cost function Step3) Training - gradient descent method Numpy w/o min-max scaling #load module impor.. 공감수 0 댓글수 0 2023. 8. 5.
Supervised Learning - Linear Regression (multi-variable 2) Linear Regression (선형회귀) : 데이터들을 가장 잘 표현하는 직선의 방정식을 찾는 것 Data 를 대표하는 hypothesis를 직선의 방정식으로 설정 y1 = W1x1 W2x2 + B1 y2 = W3x1 W4x2 + B2 Step1) Hypothesis Hypothesis : Linear Equation(Multi-Variable) Step2) Cost function Step3) Training - gradient descent method Tensorflow w/ min-max scaling #load module import numpy as np import tensorflow as tf import matplotlib.pyplot as plt #input & label (age/.. 공감수 0 댓글수 0 2023. 8. 5.
Supervised Learning - Linear Regression (multi-variable 1) Linear Regression (선형회귀) : 데이터들을 가장 잘 표현하는 직선의 방정식을 찾는 것 Data 를 대표하는 hypothesis를 직선의 방정식으로 설정 y = W1x1 W2x2 + B Step1) Hypothesis Step2) Cost function Step3) Training - gradient descent method Numpy w/ min-max scaling #load module import numpy as np import matplotlib.pyplot as plt import seaborn as sns #input & label (age/BMI and blood pressure) x_input = np.array([[25,22],[25,26],[25,30],[35,22.. 공감수 0 댓글수 0 2023. 8. 5.
Supervised Learning - Linear Regression (single-variable) Linear Regression (선형회귀) : 데이터들을 가장 잘 표현하는 직선의 방정식을 찾는 것 Data 를 대표하는 hypothesis를 직선의 방정식으로 설정 y = Ax + B Step1) Hypothesis Step2) Cost function Step3) Training - gradient descent method Numpy w/o min-max scaling #load module import numpy as np import matplotlib.pyplot as plt #input & label (age and blood pressure) x_input = np.array([15,20,25,30,31,35,42,43,45,50,55,56,66,67,68,70,71,73], dtype=.. 공감수 0 댓글수 0 2023. 8. 5.
Machine Learning 개요 Machine Learning : 명시적인 프로그래밍 없이 데이터를 이용하여 컴퓨터가 어떤 지식이나 패턴을 학습한 것 - Supervised Learning : 레이블이 있는 데이터로 학습하여 학습결과로 입력 데이터를 예측 Label과 output을 비교하여 필요 시 문제 해결을 위한 연산을 개선 (이 과정이 학습) 대표 문제) MNIST(http://yann.lecun.com/exdb/mnist) , CIFAR-10(https://www.cstoronto.edu/-kriz/cifar.html) Regression - 특정 실수 값을 예측하는 문제 ex) 주가 예측, 공부시간 대비 점수 Classification - 이분법적 분류 혹은 class 분류 (Binary-class, Multi-class) e.. 공감수 0 댓글수 0 2023. 8. 5.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.