IT하는 참새

Numpy의 ndarray객체 vs 기본파이썬의 array객체 쉽게 생각하면 둘다 평범한 리스트임 차원 저장가능하지만 ndarray가 더욱 수식활용에 특화된 list라고 생각하면된다 그럼 이것들을 언제 사용하는게 적합한가? ndarray는 리스트끼리의 연산이 필요할 경우에 사용함 예를들어 x = [1,2,3,4]y = [9,8,7,6] 이때 x-y같이 일반적인 리스트끼리의 -연산은 불가능함 x y를 ndarray로 바꿔 계산하면 된다 (둘 중 하나만해도 가능) x = np.array(x) z = x-y 이렇게 사용가능함

최소제곱법: 단일선형회귀에서 a, b를 구하는 방법 y=ax+b 훌륭한 예측선을 긋기위해 정확한 a,b값을 알아내야함 예를들어 피부의 촉촉함(y)을 결정하는 여러 요소중 마시는 물의양(x)만을 가정한다면 x: 물의양 집합y: 촉촉함 정도 (y값은 높으면 좋다고 가정)=> x : {120ml, 150ml, 320ml, 500ml}y: {0.23, 0.32, 0.58, 0.82} 이렇게 label들이 주어졌을 때 a,b의 값을 잘 구하여 그래프를 그려야추후에 새로운 데이터 입력시 좋은 판단을 할 수 있음 (최소제곱법 이용하여 구함) 최소제곱법 공식: 공식에 대입하여 a와 b를 구하면 a = -0.02894b = 12.8299 y = -0.02894x+12.8299 이 직선이 가장 실제값과 비슷하게 나온다고 ..

기울기하강 알고리즘(Gradient Descent) 쉽게말하면 비용함수의 값이 최소가 되기위한 Θ값들을 찾는 알고리즘 이전까지는 일일이 랜덤하게 숫자를 대입하며 근본없이(?) 찾아냈다 하지만 가설식이 커지고 데이터의 양이 방대해지면 이는 불가능에 가깝다 그래서!! 사용할 것이 기울기하강 알고리즘!! 사실 기울기하강 알고리즘은 인공지능분야에서만 사용되는 것이 아닌 함수가 있을 때 최소값을 구하는데에 유용하게 쓰인다 단지, 비용함수의 최소값을 구하는데 사용할 뿐 -------------------------------------------------------------------------------------------------------- 기울기하강 알고리즘 동작방식(단순히) 함수 h(x) = Θ0 ..

우선 Linear Regression(선형 회귀)알고리즘을 통해 공부를 진행했음(Supervised Learning, 지도 학습)----------------------------------------------------------------------------- 가설식 h(x) = Θ0 + Θ1x 이번에는 Θ0과 Θ1 두개를 활용하여 비용함수를 구해보겠다 우선 두 개의 값을 이용한다면 대략 이런 그래프가 그려질 것이다(이런 그래프로 예측이 된다면 다시 비용함수를 줄여야 한다) 그리고 Θ1만 사용한 비용함수 그래프는 두개의 축으로 나타냈지만 이번에는 Θ0, Θ1두개를 이용하여 비용함수가 나오기에 세개의 축으로 나타내야한다 다음은 두 개의 세타를 이용하여 나온 비용함수 그래프이다 = J(Θ0, Θ1)또..

우선 Linear Regression(선형 회귀)알고리즘을 통해 공부를 진행했음(Supervised Learning, 지도 학습)----------------------------------------------------------------------------- 시작에 앞서 기계학습의 전체적인 과정 비용함수: 비용함수의 값이 최소화되게하는 Θ값들을 찾는 함수 (파라미터 한개만 고려할 때. Θ0 = 0 일 때) h(x) = Θ0 + Θ1x (가설식) (Θ0 = 0) h(x) = 0 + Θ1x (가설식) (이 때, x는 학습을 위한 input값) 그렇다면 이와같이 나타낼 수 있다 그래프가 (0, 0)을 지나는 일차직선으로 구성된다 다음은 실제 데이터 셋을 좌표로 나타낸 것이다 (X 표시) 이 때 Θ1 ..

우선 Linear Regression(선형 회귀) 알고리즘을 통해 공부를 진행하였음(Supervised Learing, 지도학습)------------------------------------------------------------------------------ 비용함수(Cost Function): 기계학습을 하는데 소요되는 노력을 구하는 함수라고 생각하면 됨 (가설의 정확도를 측정(조절)하는데에 필요한 함수) 그 전에 가설(Hypothesis)식 : h(x) = Θ0 + Θ1x (Θ는 세타) (y = ax +b 꼴의 일차함수임) 이에따라 가설함수와 비용함수간의 관계는 다음과 같다 그래프 상에서 X는 실제값들이며 파란색 일직선은 가설함수를 통한 예측값이다 지금보면 파란색 일직선(예측값)과 실제값과..

우선 Linear Regression(선형 회귀)알고리즘을 통해 공부를 진행했음(Supervised Learning, 지도 학습)----------------------------------------------------------------------------- Machine Learning에서 결과를 예측하기 위해 우선적으로모델을 표현해야 함 즉. 가설을 세워야 함 예를들어 땅 크기(input) 에 따른 집값(output)의 데이터셋이 있다면1. 컴퓨터는 이 Size와 Price 데이터 셋을 통해 학습을 한다 2. 학습을 통해 실제 결과값(X표시)와 차이가 크지않은 직선을 구하게 된다 3. 학습을 통해 최적의 위치를 찾았고 이를 근거하여 1250Size일 경우의 Price를 예측한다 이 때 직선을..

인공지능: 컴퓨터가 알아서 생각하고 판단하는 기술 인공지능의 분야 - 머신러닝 - 딥러닝(머신러닝 하위개념) 머신러닝(Machine Learning, 기계학습): - 인공지능의 한 분야이며 컴퓨터가 학습할 수 있는 알고리즘을 개발하는 기술 머신러닝의 핵심: - (표현, 일반화) = (데이터의 평가, 예측) 컴퓨터가 학습하는 방법에 따른 머신러닝의 분류 - 지도학습: 사람이 입력(x)에 대한 결과(Label, y)을 달아놓은 데이터를 컴퓨터에 주면 컴퓨터가 학습하는 학습기법 제공되는 데이터: 입력(O), 결과(O) - 비지도학습: 사람없이 컴퓨터가 입력(x)만 가지고 학습 후 결과(Label, y)을 예측하는 학습기법 제공되는 데이터: 입력(O), 결과(X) - 반지도학습: 결과(Label, y)이 있는 ..