kimjunki-8 님의 블로그

이번주는 러닝 머신에 대해 배웠습니다.솔직히 좀 어렵더라구요. 특히 강의에서 나온 코드들은 따로 의미를 알려줄 뿐, 쓰는법, 즉 그 코드의 프레임이 뭔지 정확한 해답이 없었습니다. 그래서 그것을 전부 찾아보는 어려움이 있었습니다. 그런데 솔직히 찾아보면서 재미있기도 했습니다.  새로운것을 찾았다는 느낌과 그것을 새로이 배웠다는 느낌. 확실히 다르긴 하더라구요. 특히 처음 선형회귀를 다시 복습을 하는 과정에서 제가 몰랐던 정보까지 싹다 얻을 수 있어서, 저는 솔직히 만족감이 컸습니다. 하지만 오늘 DBSCAN을 마지막으로(SBSCAN도 약간 덜 들어간) 깊게 파고드는 것을 포기했습니다. 시간이 너무 오래 들었기 때문입니다. 딥 러닝도 배워야 했기에 저는 어쩔 수 없이 기본 개념들만 가지고 딥 러닝을 시작할..

어제 복습하면서 뺴먹은 부분 설명 다시 하겠습니다.K-Means Clustering에 대해 조금 더 자세히 알아보겠습니다.이것은 과정을 짧게 요약하겠습니다.K-평균 클러스터링 과정 요약 1. K값 설정: 사용자가 클러스터의 수 𝑘를 선택합니다.2. 초기 중심점 선택: 그러면 K값에 맞게 설정된 수 만큼 데이터 포인트에서 K개의 중심점이 랜덤으로 설정되게 됩니다.3. 클러스터 할당: 이제 중심점으로 선택된 데이터 포인트들이 주변에 있는 여러 데이터 포인트들과의 유클리드 거리를 계산합니다. 그리고  각 데이터 포인트는 가장 가까운 중심점에 할당되어 해당 클러스터에 속하게 됩니다. 이 과정은 데이터 포인트의 수에 상관없이 모든 포인트에 대해 이루어집니다. 4. 중심점 업데이트: 그렇게 되면, 이제 군집 안에..

이제 모든것을 처음부터 끝까지 한번 달려보자. 그런데, 먼저 통계부터 공부해야 할 것 같다.머신 러닝머신 러닝이란 뭘까?머신 러닝이란,데이터를 이용해 기계가 스스로 학습하여 특정 작업을 수행하는 기술입니다. 사람이 직접 모든 규칙을 코딩하지 않고, 데이터를 바탕으로 패턴을 찾아내고 이를 통해 결론을 도출하거나 예측을 하는 방법입니다.머신 러닝은 데이터에서 학습하여 예측이나 결정을 내리는 시스템을 개발하는 분야입니다. 머신 러닝 모델은 주어진 데이터를 바탕으로 패턴을 찾고, 이를 통해 미래의 데이터에 대한 예측을 수행합니다. 그렇기에 3개의 종류로 나뉘어 집니다.1.지도 학습 (Supervised Learning):입력 데이터와 그에 대한 정답(레이블)이 주어지면, 모델이 이 데이터를 통해 패턴을 학습하는..

비지도 학습: 군집화모델 -> k-means clustering 학습 지도에서는 정답을 맞추고, 그것을 AI에게 학습을 시켰다면, 비지도 학습은 정답이 없습니다. 즉, 비지도 학습에서는 입력 데이터만 있고, 이를 통해 데이터의 구조나 패턴을 학습합니다. 주로 데이터를 분류하거나 그룹으로 묶는 데 사용됩니다.예를 들어 서로 비슷한 데이터끼리 묶어, 한 군집을 만드는 식으로 학습을 합니다.K-means clusteringK-means clustering이란 주어진 데이터를 여러 개의 클러스터(그룹)로 나누는 알고리즘입니다. 특징 하나하나를 컬럼으로 나타내는데, 이 컬럼을 좌표로 생성해 둔다면, 데이터는 차원에 따라 그림으로 나타낼 수 있는 형태로 나온다. 그리고 그 그림(좌표)형태에서 서로 가까이 있는 것들..

어제와 이어서 하겠습니다.로지스틱 회귀의 수식은이렇게 되어 있으며, 저 z는 기본적인 회귀 모델의 수식의 값을 가지고 있습니다. 그렇기에 z의 값이 커지면 커질수록 전체의 값은 0에 더 가까워지며, 0에 가까워질수록 전체 값은 1에 가까워 집니다.그러면 이제 강의에서 나온 코드를 가져오겠습니다. import numpy as npimport pandas as pdfrom sklearn.datasets import load_breast_cancerfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScaler# 데이터 로드data = load_breast_cancer()X = data.data..

회귀 머신은 연속적인 값을 예측하는 데에 쓰이는 해결 방법이자 하나의 알고리즘입니다. 여러가지가 있지만 가장 기초적인 부분은 바로 선형 회귀입니다. 주어진 입력 데이터로부터 출력 값을 예측하고, 그 관계를 직선으로 모델하는 것이 바로 선형 회귀 입니다.그 전에 먼저, 머닝 러신의 기초에 대해 알아봅시다. 머닝 러닝에서는 정말 수 많은 학습 방법이 있으며, 이 학습들을 기반으로 AI는 다양하게 학습할 수 있습니다. 1. 지도 학습 -> 규칙과 정답을 통해 인공지능이 학습을 하여, 다른 결과물도 출력하게 하는 것입니다.2. 회귀 -> 연속적인 값에서 규칙을 학습하는 문제3. 비지도 학습 -> 정답이 없지만 비슷한 데이터들을 찾아 학습하는 것입니다.4. 강화 학습 -> 순차적 학습(순차적으로 실제로 영향을 주..

자, 처음에 배워야할 개념은 바로 선형 회귀 모델입니다.선형 회귀 모델이란, 머닝 러신에서 가장 기본적인 알고리즘이며, 유저가 입력 값(독립 변수)와, 그 후에 출력되는 출력값(종족 변수)의 간의 선형적인 관계를 찾는것을, 선형 회귀 모델이라고 생각합니다. 잠깐! 알아야할 개념이 좀 있습니다. 1. 선형적인 관계: 주로 데이터를 분석할 때 쓰이는 개념으로, 두 변수 사이의 관계가 직선으로 표현될 수 있다는 것을 의미합니다. 쉽게 말해서, 한 변수가 증가할 때 다른 변수도 일정 비율로 증가하거나 감소한다면 이 두 변수 사이에 선형적인 관계가 있다고 말할 수 있다.수학에서 Y=aX+b로 대표적으로 식을 표현할 수 있습니다.2. 알고리즘: 여기서 말하는 알고리즘은 X튜브에서의 알고리즘이 아닙니다. 여기서 말하..

머신 러닝과, 딥 러닝은 AI를 만들때 아주 중요한 개념입니다. 특히 데이터를 수집하고, 전처리, 결측치 등 수 많은 코드들을 정리하는데 있어서 중요한 부분을 차지합니다.  머신 러닝먼저, 머싱 러닝은 뇌의 기능들이라고 생각 하시면 편합니다. 스스로 데이터를 수집하여, 학습하고 스스로 개선하는 것을 뜻합니다.머신 러닝에는 3가지 주요 유형이 있습니다.1. 지도 학습: 코드에는 언제나 True 혹은 False가 있습니다. 지도 학습은 여기서 True인 데이터들에서 학습을 하는 유형입니다. 1과 2에서 2가 True라면, 그 2의 데이터에서 새로운 데이터를 추출하는 것과 같습니다.2. 비지도 학습: 이번에는 True 혹은 False가 없는 데이터에서 학습을 하는 유형입니다. 예를 들어 사람들이 인터넷에서 새..

자, 이번주는 솔직히 더 많은 정보를 얻을 수 있는 기회가 되었습니다.특히, 과제를 하면서 많은 것을 얻을 수 있었는데, 특히while True: -> 이것이 정말 작아보이지만, 정말 많은 기능을 구사할 수 있는 코드였습니다. 특히, while True:를 사용해, 특정한 코드를 계속 실행을 시킨다는것이 제일 매력이라 생각이 들었습니다. 이번주에는 while True:말고도 정말 많은 것을 배웠는데, 특히 동시성이 제일 어려웠지만, 재미있었다고 할 수 있습니다. 왜냐하면. 정말 많은 함수들과, 클래스들이 포함되어 있고, 또 그 클래스가 가지고 있는 속성들과 메서드들이 머리를 어지럽게 했지만, 또 한편으로는 정말 매력적으로 다가왔습니다.이번주에 배웠던 주제들은 바로여러 고급 함수 예외 처리 메타프로그래밍 ..

어제와 바로 이어가겠습니다. 4. Pipe 클래스Pipe 클래스는, 두 프로세스간 서로 데이터를 공유할 수 있는 공간을 마련한다고 생각하시면 됩니다.send(obj): 파이프를 통해 데이터를 보냅니다. recv(): 파이프를 통해 데이터를 받습니다. close(): 파이프를 닫습니다ㄴ밑에 코드를 보면, upper_info와 lower_info가 Pipe()클래스로 인해 서로 연결이 되었고, lower_info를 info 함수에 인자로 넣으면, 아무리 서로 떨어져있어도, 서로 Pipe로 연결되어 있기에, 정보를 전달할 수 있습니다. 즉, pipe.send로 안에 있는 정보를 전달 했다는 소리입니다. 그렇기에 데이터를 전달받았습니다 = 3 으로 출력이 되는것을 볼 수 있습니다.from multiprocess..