손으로 적는 데이터사이언스

● Chpater 08의 학습목표     1.  이미지 분류 문제에 뛰어난 성능을 발휘하는 합성곱 신경망의 개념과 구성 요소에 대해 배웁니다.     2. 케라스 API로 합성곱 신경망을 만들어 패션 MNIST 데이터에서 성능을 평가해 봅니다.     3. 합성곱 층의 필터와 활성화 출력을 시각화하여 합성곱 신경망이 학습한 내용을 고찰해봅니다. ● 학습목표: 합성곱 신경망을 구성하는 기본 개념과 동작 원리를 배우고 간단한 합성곱, 풀링 계산 방법을 익힙니다. ● 키워드: 합성곱, 필터, 특성 맵, 패딩, 스트라이드, 풀링 ● 지난 시간 -  딥러닝 과대적합 문제 해소1. Epoch 변경 (model.fit(input, target, epochs = ))2. Optimizer 변경 (model.comp..

● Chpater 07의 학습목표     1.  딥러닝의 핵심 알고리즘인 인공 신경망을 배웁니다.     2. 대표적인 인공 신경망 라이브러리인 텐서플로와 케라스를 소개합니다.     3. 인공 신경망 모델의 훈련을 돕는 도구를 익힙니다. ● 학습목표: 인공 신경망 모델을 훈려하는 모범 사례와 필요한 도구들을 살펴보겠습니다. 이런 도구들을 다뤄 보면서 텐서플로와 케라스 API에 더 익숙해 질 것입니다. ● 키워드: 드롭아웃, 콜백, 조기종료 ● 지난 시간 -  심층 신경망  알고리즘 문제 풀이1. Keras를 이용해 data 불러오기2. Train set에서 validation set 일부 덜어내기 (train_test_split 사용)3. 빈 Model 객체 만들기 (keras.Sequential)4..

● Chpater 07의 학습목표     1.  딥러닝의 핵심 알고리즘인 인공 신경망을 배웁니다.     2. 대표적인 인공 신경망 라이브러리인 텐서플로와 케라스를 소개합니다.     3. 인공 신경망 모델의 훈련을 돕는 도구를 익힙니다. ● 학습목표: 인공 신경망에 층을 여러 개 추가하여 패션 MNIST 데이터셋을 분류하면서 케라스로 심층 신경망을 만드는 방법을 자세히 배웁니다. ● 키워드: 심층 신경망, 렐루 함수, 옵티마이저 ● 지난 시간 -  밀집층 딥러닝 알고리즘 문제 풀이1. Keras를 이용해 data 불러오기2. Train set에서 validation set 일부 덜어내기 (train_test_split 사용)3. Layer 만들기 (keras.layers.Dense)4. Model 만..

● Chpater 06의 학습목표     1.  타깃이 없는 데이터를 사용하는 비지도 학습과 대표적인 알고리즘을 소개합니다.     2. 대표적인 군집 알고리즘인 k-평균을 배웁니다.     3. 대표적인 차원 축소 알고리즘인 주성분 분석(PCA)을 배웁니다. ● 학습목표: 차원 축소에 대해 이해하고 대표적인 차원 축소 알고리즘 중 하나인 PCA(주성분 분석) 모델을 만들어봅니다. ● 키워드: 차원 축소, 주성분 분석, 설명된 분산 ● 지난 시간 - K-Means 알고리즘 문제 풀이1. 3차원 (샘플수 x 너비 x 높이)의 과일 사진 데이터를 2차원 (샘플수 x pixel)으로 축소합니다.2. KMeans model을 만들어 학습 시킵니다.3. 각 class들이 얼마나 분포하고 있는지 확인합니다. (KM..

● 학습목표: 경사 하강법 알고리즘을 이해하고 대량의 데이터에서 분류 모델을 훈련하는 방법을 배웁니다. ● 키워드: 확률적 경사 하강법, 손실 함수, 에포크 (Epoch) ● 지난 시간에 배운 로지스틱 회귀 문제 풀이 scheme1. Data 불러오기2. Input / Target data 분리하기3. Preprocessing - Scaling4. Train / test set 분리하기5. Logistic regression model 학습 시키기6. 원하는 값의 확률 예측하기 (LinearRegression.predict_prob) ● 확률적 경사 하강법 문제 풀이1. Data 불러오기2. Input / Target data 분리하기3. Preprocessing - Scaling4. Train / te..

● Chapter 4 학습목표    1. Logistic regression, 확률적 경사 하강법과 같은 분류 알고리즘을 배웁니다.    2. 이진 분류와 다중 분류의 차이를 이해하고 클래스별 확룰을 예측합니다. ● Chapter 04-1 학습목표 : Logistic regression algorithm을 배우고 이진 분류 문제에서 클래스 확률을 예측합니다.   ● 지난 Chapter에서 배운 다중 회귀 문제 풀이 scheme1. Data 불러오기2. Train & test set 나누기3. Preprocessing - Feature engineering    3-1. Featue engineering    3-2. Degree 증가 시키기 4. Preprocessing - Scaling  * 규제하기전..

● 학습 목표 : K-Nearest Neighbors Regression과 Linear regression의 차이를 이해하고 scikit-learn을 사용해 여러 가지 선형 회귀 모델을 만들어봅니다. ● 지난 chpater에서 배운 내용 -  K-Nearest Neighbors Regression과 Over/Under fitting1. 데이터 불러오기2. Input 데이터 2차원 array 만들기 (.reshape(-1,1))3. Train data 학습 시키기4. Model 평가하기 (Train & Test set의 결정계수, Test set를 사용한 Error)5, Over/Under fitting 확인하고 Model의 복잡도로 개선하기 ● 선형 회귀 문제 풀이 scheme1. 데이터 불러오기2. I..

● Chapter 3의 학습목표1. 지도 학습 알고리즘의 한 종류인 회귀 알고리즘에 대해 배웁니다.2. 다양한 선형 회귀 알고리즘의 장단점을 이해합니다. ● Chapter 3-1의 학습 목표지도 학습의 한 종류인 회귀 문제를 이해하고 k-Nearest Neighbors 알고리즘을 사용해 농어의 무게를 예측하는 회귀 문제를 풀어 봅니다. ● 지난 Chapter에서 배운 내용1. Input & Target을 통해 model 학습 (K-Nearest Neighbors algorithm)2. 학습 시에는 Train set와 Test set를 나눈다.3. 한쪽에 치우치지 않도록 Sampling bias가 없도록 한다.4. 정확한 거리를 측정하여 학습이 이루어 질 수 있도록 Scaling을 한다. ● 회귀문제 푸는..

● 학습목표 : 올바른 결과 도출을 위해서 데이터를 사용하기 전에 데이터 전처리 과정을 거칩니다. 전처리 과정을 거친 데이터로 훈련했을 때의 차이를 알고 표준점수로 특성의 스케일을 변환하는 방법을 배웁니다. * 데이터 전처리 : 데이터의 특성값들을 같은 스케일로 맞춰주는 과정 ● Scailing 문제 해결하기1. 데이터 불러오기2. Train, Test set 나누기3. Train set의 평균과 표준편차를 기준으로 Train, Teset input의 표준점수 계산하기 (target-mean)/std4. Model 학습시키기5. Model 성능 확인하기 (Accuracy & 정답을 아는 data) [문제 상황]"너가 만든 모델에 문제가 있는거 같아. 25g, 150cm면 도미인데, 자네 모델은 빙어라고 ..

● 학습 목표 :  지도학습과 비지도 학습의 차이를 배웁니다. 모델을 훈련시키는 훈련 세트와 모델을 평가하기 위한 테스트 세트로 데이터를 나눠서 학습해 봅니다. ● Sampling bias 문제 해결 shceme1. 데이터 불러오기 (Input, Target) (2차원 array)2. Train, Test set 나누기3. 각 데이터 index로 shuffling 하기 (.shuffle / np.arange 활용)4. Model 학습 시키기5. Model 평가 하기 (Accuracy) [문제 상황]도미 35마리와 빙어 14마리를 모두 학습 시키고 맞추게 하면 당연히 정확도는 100%가 아닐까요?어떤것이 도미이고 빙어인지 아는 상황인데, 못맞추는 것이 이상한것 아닌가요? 그렇다. 학교에서 중간 고사를 볼때..