전체 글31 [머스트해브02] 인공신경망 ANN 이해하기 학습 목차퍼셉트론다층신경망인공 신경망의 학습방법손실함수경사하강법과 오차역전파신경망 성능 비교기울기 소실 예방 🐬퍼셉트론인공신경망( ANN) : 퍼셉트론 = 인공 뉴런의 집합체하나의 뉴런이 존재 ➔ 단층 신경망여러 뉴런 조합 ➔ 다층 신경망 입력값 ➔ 입력층이 존재하고 ➔ 여기다가 가중치들이 곱해져서 ➔ 인공뉴런(합해서 활성화함수거치기)활성화함수 : 보낼까~ 말까~➔ 출력층(출력값) - 가중치 : 입력값의 중요도 입력값(X1, X2, X3, X4)에 대응하는 가중치 (W1,W2,W3,W4)가 존재 ➔ 각각 곱해진 후 활성화 함수(F)의 입력값으로 들어감. ➔ 이후 얻어지는 값을 출력값 (하나의 유닛) ➔ 배치 단위로 들어가니까 각 답들이 나옴 ** 편향(b) 는 활성화 함수의 임곗값을 이동시키는 역.. 2026. 5. 27. [머스트해브01] 딥러닝 _ 파이토치_기본 파이토치가 좋은 이유 : 이미지 ➔ 가로, 세로, rgb값 존재파이토치는 이중에서 RGB를 가장 먼저 고려 ➔ 동적 계산 그래프 사용 ➔ 중간에 변수 변경 가능 파이토치는 클래스를 사용하도록 권고: 파이토치의 딥러닝 신경망은 모두 모듈!! (nn.Module 클래스)로 구성됨학습 순서: 모듈 클래스로 신경망 만들고 ➔ 데이터셋 클래스로 데이터를 불러와 학습 1. 신경망의 동작을 정의한 : 모듈 클래스1- 1) __init__ () 함수 : 신경망의 구성요소를 정의.1 -2) forward() 함수 : 신경망의 동작을 정의함. ➔ __init__() 함수에 정의한 모듈을 연결하거나 필요한 연산등을 정의함. class Net(nn.module): def __init__(self): ''' .. 2026. 5. 27. [05-26] 딥러닝 feature가 몇개든지 간에 중요도가 가중치가 됨. ex. 집값 예측에서범죄율 ➔ 가중치가 마이너스가 됨 ➔ 그리고 그 영향을 미치는 정도가 가중치의 크기가 됨. y = w*x + b ➔ 최적의 파라미터 조합을 찾는 걸 경사하강법을 사용하겠다. 국어시간(x) * 국어 가중치(w) ➔ 국어 예측값 영어 시간(x) * 영어 가중치(w) ➔ 영어 예측값 수학 시간(x) * 수학 가중치(w) ➔ 수학 예측값 굳이 따로 3개의 모델을 만들지 말고 1개의 모델로 처리를 하자 ➔ 내적을 할거니깡~ [[ 국어 가중치(w) , 수학 가중치(w), 영어 가중치(w) ]] ➔ (3,1) # 각 성적에 대한 feature 값 공부시간 = [ [국어공부시간], .. 2026. 5. 27. [머스트해브_머신러닝] 지도학습 알고리즘_선형회귀 🍀선형회귀(Linear regression)가장 기초적인 머신러닝 모델 ➔ 복잡한 알고리즘에 비해 예측력은 떨어지지만특성이 복잡x, 간단하고 빠른 예측가능 ➔ 다른 모델들과 비교하는 베이스라인으로 많이 사용됨여러 특성을 활용하여 연속형 변수인 목표 변수를 예측하는 게 목표 ➔ 즉 종속변수는 꼭 연속형! 그외 예측하는 데 사용되는 독립변수는 굳이 연속형일 필요x 🔥 정리 : 연속된 변수를 예측하는 최적의 직선을 찾는 알고리즘🍀유용 : 연속된 변수 예측 ➔ bmi, 매출액, 전력 사용량 등 장점 : 모델이 간단 ➔ 구현과 해석이 쉬움모델링 쉬움단점 : 최신 알고리즘에 비해 예측력 bad 독립변수 - 종속 변수간의 관계를 선형관계를 전제. ➔ 전제를 벗어나는 데이터에서는 예측 어려움 선형회귀 직접 구현하.. 2026. 5. 26. [머스트해브_머신러닝] 넘파이 🍀넘파이(numpy)일단 판다스와 달리 인덱스명, 컬럼명 없음 판다스 데이터 ➔ 넘파이 배열 변환 가능넘파이 배열 ➔ 판다스 형식으로도 변환 가능( 🔥 단 넘파이는 인덱스나 컬럼명이 없어서 판다스로 변환하면 임의의 컬럼명 만들어짐)➔ 컬럼명 0,1,2,3,----- ➔ 인덱스 수 붙듯 if 컬럼명 추가하고 싶다면 :df_to_array = np.array(df) # 판다스 데이터프레임을 넘파이 배열로 변환nparray_to_df = pd.DataFrame(df_to_array) # 넘파이 배열을 다시 판다스 df로 변환## 이럴 경우 nparray_to_df는 컬럼명이 인덱스명과 같이 0,1,2,... 로 변환됨## 만약 컬럼명을 동일하게 추가하고 싶다면 df.columns # 컬럼명을 제공 ➔ 이값.. 2026. 5. 24. [머스트해브_머신러닝]머신러닝기초_판다스기초 🍀머신러닝 종류1. 지도학습 1-1. 회귀문제 ➔예측 결괏값이 연속성 ➔ 실수형으로 결과를 표현 1-2. 분류문제➔ 예측 결괏값이 비연속적 ➔ yes/ no ➔ 클래스(분류의 종류)클래스가 2개 뿐일 때 이진분류 2. 비지도학습➔ 정답이 없는 데이터 ➔ 애초에 정답이 제공x ➔ 찾으려는 답도 명확x ➔ 비슷한 부류끼리 묶어보자2-1. 군집화(clustering): 비슷한 데이터끼리 묶어줌. ➔특성이 비슷한 데이터끼리 2-2. 변환 :목적에 따라 데이터를 다른 형태로 변환 ➔ 100개의 특성 데이터를 2개로 압축2-3. 연관 ➔장바구니 분석 🍀머신러닝 프로세스데이터 수집데이터 전처리모델 학습모델 평가 : 학습이 완료된 모델을 사용해 예측 & 결과 예측 ➔ 학습된 모델 여러개를 비교 ➔ 가장 좋은 .. 2026. 5. 24. ０７—딥러닝 Ｌｅｔｓｇｏ 🍀파이토치 (PyTorch)의 데이터 기본 단위 : 텐서(Tensor) 텐서 ➔ 딥러닝을 위한 다차원 배열(N-dimensional Array)gpu 가속 ➔ 초고속 연산 자동 미분 가능 ➔ 🍀 텐서의 차원(Dimension / Rank)0D 텐서: 스칼라 (Scalar) ➔ 한 개의 숫자1D 텐서: 벡터 (Vector) ➔ 숫자들이 한 줄로 나열 된 것Shape : [1,2,3,4]2D 텐서: 행렬 (Matrix) ➔ 행과 열, (행 : 데이터 개수, 열: 특성 수)shape: [행,열] ➔ [100,4] ➔ 4개의 특성을 가진 데이터 행 100개3D 텐서: 고차원 텐서 (주로 시계열 데이터나 자연어) 행렬을 여러 장 큐브 형태shape : [시퀀스 길이, 배치 크기, 특성 개수]4D / 5D 텐서.. 2026. 5. 22. 14_군집 (Clustering) 비지도학습 ➔ 정답이 없음 ➔ 데이터 포인트들을 유사한 특성을 가진 그룹으로 묶음 예시1. 비슷한 데이터 분류 ➔Feature를 바탕으로 비슷한 특징을 가진 데이터들을 묶어서 성향을 파악2. 이상치 탐지 3. 준지도학습 ➔ 레이블이 없는 데이터셋에 군집으로 레이블 생성 ➔ 지도학습 진행 ➔ 레이블 세분화 🍀K-means (k 평균)k = 군집의 갯수 ➔ 하이퍼파라미터군집의 중심이 될 것 같은 임의의 지점(Centroid) 찾기new_data ➔ 가장 가까운 지점을 확인 . 일단 모든 특성은 동일한 scale을 가져야함 ➔ Feature Scaling 필요 🍋Inertia value(응집도) ➔ 적정 n_clustering 수 찾기 inertia :군집 내 데이터들과 centroid(중심) 간의 거리.. 2026. 5. 21. 로지스틱회귀 (LogisticRegression) 🍀로지스틱회귀 (LogisticRegression)회귀이지만 실제로는 분류다.선형회귀를 이용한 이진 분류 모델! 양성이냐 음성이냐 ➔양성일 확률(%) 즉 0~1 사이의 값 시그모이드 함수 사용. 1. 입력값이 0이라면 0.5 ➔ 확률을 50% 반환2. 가중치 합을 계산한 값이 0보다 크면 ➔ 확률이 50%를 넘는다 ➔ 양성(1)로 분류3. 0보 작으면 ➔ 확률이 50%보다 낮다 ➔음성(0)으로 분류 손실함수 : Binary Cross Entropy (BCE) : 2진 분류 용 Log loss 함수 y(정답)에다가 log(p) + (1 - 선형 결과를 확률로 변환하자 ➔ 시그모이드 함수에 넣음 ➔ 시그모이드 함수는 x는 0일때 y값은 0.5(절편)원래 입력값이 0이면 0.5, 0보다 작으면(음수).. 2026. 5. 21. 이전 1 2 3 4 다음
