가전제품 이것저것 이야기

0. 머신러닝 학습 구조

출처 : Edwith 머신러닝을 위한 파이썬

1. 개념

Model : 예측을 하기 위한 수학 공식, 함수 

ex) 1차 방정식, 확률 분포, condition rule

Algorithm : Model을 생성하기 위한 훈련 과정

y = ax + b에서

독립변수, 종속변수 : x, y

a, b 는 알고리즘을 통해 최적값을 찾음

Feature : 머신러닝에서 데이터의 특징을 나타내는 변수, 독립변수, Column

하나의 실제 데이터는 feature vector로 표현한다.

2. 용어 정리

3. 데이터 핸들링 방법

Pandas : 엑셀처럼 데이터 핸들링

Numpy : vector, matrix 형태의 데이터를 핸들링

1. 중복을 허용하지 않는다.

s1 = set([1,2,3,3])
print(s1, '\n')

{1, 2, 3} 

2. 순서가 없다.

s2 = set("Hello")
print(s2, '\n')

{'e', 'l', 'H', 'o'} 

3. 교집합 구하기

s3 = set([1,2,3,4,5,6])
s4 = set([4,5,6,7,8,9])
print(s3 & s4, '\n')

{4, 5, 6} 

4. 합집합 구하기

print(s3 | s4, '\n')

{1, 2, 3, 4, 5, 6, 7, 8, 9} 

5. 차집합 구하기

print(s1 - s2, '\n')

{1, 2, 3} 

6. 집합에 값 한 개 추가하기

s1.add(7)
print(s1, '\n')

{1, 2, 3, 7} 

7. 집합에 여러 개 값 추가하기

s1.update([4,5,6])
print(s1, '\n')

{1, 2, 3, 4, 5, 6, 7} 

8. 특정 값 제거하기

s1.remove(2)
print(s1, '\n')

{1, 3, 4, 5, 6, 7} 

출처 : 모두를 위한 딥러닝 

RNN 적용 분야

1) Language Model

2) Speech Recognition

3) Machine Translation

4) Conversion Modeling / Question Answering

5) Image / Video Captioning

6) Image / Music / Dance Generation

Linear Regression이란?

값들을 가장 잘 표현할 수 있는 직선이다.

Hypothesis

선형회귀로 예측된 y값

H(x) = Wx + b

(Weight, bias)

Cost 함수

Hypothesis의 예측값과 실제 y값의 차이

오차 제곱의 평균 !

기계학습의 목표

Cost를 최소화하는 것

텐서플로우란?

open source library for numerical computation using data flow graph

파이썬으로 텐서플로우를 다룰 수 있다.

Data flow graph 란?

노드는 수식을 말하고 노드와 엣지로 이루어진 graph를 tensor가 지나가며 연산이 이루어지는 것

텐서플로우 설치하기

머신러닝이란?

explicit programming : 개발자가 짠대로 하는 프로그래밍

explicit programming의 한계 : 너무 많은 규칙이 있어 개발자가 다 규칙을 설정할 수 없다.

-> 기계가 데이터를 입력받아 스스로 학습할 수 있게 하는 방법이 'machine learning'

학습하는 방법에 따라 Supervise Learning / Unsupervised Learning

Supervise Learning : label이 있는 데이터로 (training set) 학습시키는 것

ex) 이 사진은 고양이이다, 이 사진은 개이다.

Unsupervised Learning : label이 없는 데이터로 학습시키는 것

ex) 뉴스나 글 분류에 있어서 label을 주지 않고 기계가 알아서 학습하는 것이 unsupervise learning 이다.

Type or supervised learning

1. Regression : label이 큰 범위

2. Binary Classification : label이 참 또는 거짓

3. multi-label classification : label이 여러 개