지금까지 회기(regression)이라는 내용의 함수를 공부하고 머신러닝에 적용하는 방식을 알아보았다. 이제 우리는 분류(Classification)라는 방식을 알아 볼 것이다. 분류란? 스팸메일 분류, 페이스북 피드 숨길것 안숨길것 등과 같은 분류를 하는 것에 사용 할 수 있다. 우리가 분류를 하기 위해서는 알아야 할 것이 있다. 0, 1 encoding 이라는 one hot encoding 이다. 원핫 인코딩은 말그대로 0과 1로 데이터를 분류하고 1이 뜨겁다. 라는 뜻을 의미하며 1만에 주목을 한다는 것이다. 예를들어, 스팸메일에서 spam(1), ham(0) 이라 하거나 0은 버리고 1이라는 것에 집중을 한다는 것이다. 다른 예를 들어보자 우리는 시험 공부 시간에 따라 시험의 pass, fail을..

다양한 변수가 무엇이냐? 예시를 들어보면 y = w1*x1 + w2*x2 + w3*x3 와 같이 데이터에 들어오는 변수가 다양하다는 뜻이다. 딥러닝에는 다양한 변수가 존재할 수 있으므로 이러한 변수에 맞게 가중치 값 바이어스 값도 정해야한다. 머신 러닝에 필요한 것이 뭔지 다시 리마인드 해보자 가설값, 비용(손실)함수, 경사하강법 우리는 이 3가지를 우선 알고 있어야 한다. 그래야 머신러닝을 할 수 있다. 그러면 예시를 보고 이해를 해보자 이렇게 표현을 할 수 있다. 근데 여기서 왜? b(bias) 값은 하나지? 라는 의문이 생길 수 있다. 특별한 이유는 없다. 그냥 b값은 그냥 하나 주는 것이다. 크게 의미를 둘 필요 없다. w(weight, 가중치)는 가중치라는 이름이 있듯이 데이터 값에 영향을 주는..

개인적으로 비용이라는 말이 더 익숙해서 손실이란 말은 이제 언급 안하겠습니다. 비용 손실 같은 말입니다! 사람마다 편하게 말하는게 있듯이...! 가설값과 정답(label) 값의 차이를 cost 비용이라 한다. 이 값을 작게 만들어야한다! cost 어케 작게 만들까? 우리가 아는 가설의 값과 비용함수의 식은 왼쪽이다. 하지만 더 쉽게 이해하기 위해 b(bias) 값은 버리고 설명을 하겠다. 여기서 잠깐 b는 우리가 바이어스(bias)라고 많이 표현한다. 이제 간단해진 비용함수와 가설을 이용할 것이다. 비용은 이렇게 구한다. 차이를 다~ 구하고 더하면 된다. 여기서 우리는 이제 이 cost 함수의 추이를 파악해야한다. 위의 함수에서 코스트 함수의 변수는 무엇인가? W 이다. 제곱을 하면? W에 대한 2차함수..

선형 회기는 데이터를 모아서 직선 그래프를 만들어 그 추세를 파악하는 방법이다. 이러한 방법을 통해 다음에 어떤 x(data)값이 들어왔을 때 이건 어떤 y 이다! 라고 예측을 하는 것이다. ex) 우리는 위와 같은 데이터를 사용하게 된다. x (data), y(label) 이 값을 이용해서 가설 값(예측 값)을 정하게 된다. 직선으로 만들게 되고 우리는 노랑, 파랑, 빨강 직선중 어떤 직선이 우리가 원하는 직선일까? 우리는 눈으로 보고 바로 당연히 파랑이지! 이렇지만 컴퓨터는 다르다. 엄청나게 학습을 해서 파란색 직선을 찾아야한다. 그럼 어떤 방식으로 파란색 직선을 찾을까? 를 알아보자 우리는 최적의 직선을 cost function(비용 함수), loss function(손실 함수)를 통해서 찾아낸다...

딥러닝을 쉽게 공부해보자 공부해야할 것 1. 머신러닝이란? 2. 러닝이란? -지도 학습 -비지도 학습 3. regression(회기)이 란? 4. classification(분류)이 란? 1. 머신러닝이란? 머신러닝이란 컴퓨터를 이용하여 데이터를 학습하는 방법을 말한다. 우리가 아는 딥러닝도 머신러닝이다. 포함관계가 머신러닝이 더 넓은 범위이며 머신러닝 안에 딥러닝이라는 머신러닝의 종류가 있는 것이다. * 머신러닝의 장점은 뭘까? 프로그래밍의 한계를 극복할 수 있다. 이 말이 무슨의미냐면 우리는 다양한 문제를 거르기위해 다양한 if 문을 이용하여 문제를 해결하게 된다. 하지만 머신러닝을 이용하면 우리는 문제를 학습된 모델을 이용하여 단번에 해결이 가능하다. ex) 스팸 메일 필터, 자율주행 2. 러닝이란..

모델 저장과 복원https://www.tensorflow.org/tutorials/keras/save_and_load?hl=ko#%EC%B2%B4%ED%81%AC%ED%8F%AC%EC%9D%B8%ED%8A%B8_%EC%BD%9C%EB%B0%B1_%EB%A7%A4%EA%B0%9C%EB%B3%80%EC%88%98 모델 저장과 복원 | TensorFlow Core 모델 저장과 복원 모델 진행 상황은 훈련 중 및 훈련 후에 저장할 수 있습니다. 즉, 모델이 중단된 위치에서 다시 시작하고 긴 훈련 시간을 피할 수 있습니다. 저장은 또한 모델을 공유할 수 있고 www.tensorflow.org 러닝 도중에 진행 상황을 저장하는 방법이 있다. 이렇게 하면 좋은 점이 갑자기 중단, 예기치 못한 상황에 다시 이어서 시작..

텐서플로우 버전은 2.4 버전을 사용했습니다. 예전에 사용한 placeholder, session은 2.0 버전 이후로 사라지고 파이선 자체의 함수를 이용하니 참고해주세요 import tensorflow as tf import numpy as np hello = tf.constant("Hello, TensorFlow!") print(hello) node1 = tf.constant(3.0,tf.float32) node2 = tf.constant(4.0,tf.float32) print("node1:", node1, "node2:", node2) # session이 사라진 텐서 플로우에서는 그냥 def를 사용할 수 있다. def forward(a,b): return a + b out_a = forward(no..

Deep convolutional neural networks have led to a series of breakthroughs for image classification. Deep networks naturally integrate low/mid/highlevel features and classifiers in an end-to-end multilayer fashion, and the “levels” of features can be enriched by the number of stacked layers (depth). Recent evidence reveals that network depth is of crucial importance, and the leading results on the..