728x90
728x90
딥러닝 심화 복습CNN(합성곱 신경망, Convolutional Neural Network)입력 이미지를 효율적으로 처리하고 특징을 추출하여 이미지 분류, 객체 감지, 객체 분할 등의 작업을 수행하는 데 사용1. Conv2D (Convolutional Layer)합성곱 연산을 수행하는 레이어로, 입력 이미지에 필터를 적용하여 특징 맵을 생성주로 이미지 처리에서 사용되며, 각 필터는 입력 이미지를 스캔하고 특정한 특징을 감지하는 역할filters = 32 (새롭게 제작하려는 feature Map의 수)kernel_size =(3,3) (필터의 가로세로 사이즈)Strides = (1,1) (필터의 이동 보폭)padding = 'Same' (feature map의 사이즈 유지, 외각의 정보를 조금이라도 더 반..
딥러닝 심화 복습객체 감지(Object Detection)이미지나 비디오에서 여러 객체를 식별하고, 그 객체들의 위치를 파악하는 작업분류(Classification)와 위치 파악(Localization)의 결합Localization : 단 하나의 Object 위치를 Bounding Box로 지정하여 찾음Object Detection : 여러 개의 Object들의 위치를 Bounding Box로 지정하여 찾음 1. Bounding Box하나의 object가 포함된 최소 크기 박스구성: x, y(좌표 정보) w,h(크기 정보)x min, y min, x max, y max, x center, y center, width, height 2. Class Classific..
딥러닝 기초 복습머신러닝 정리 알고리즘 평가 지표 딥러닝 개념인공 신경망을 사용하여 복잡한 패턴을 학습하고 데이터를 분석하는 기술스케일링 필수 가중치 조정 조금씩 가중치(weight)를 조정하며 지정한 횟수나 더 이상 오차가 줄지 않을 때까지 오차 확인 이를 학습이라고 함(가장 적합한 가중치를 찾는 과정) 학습 절차가중치에 초기값 할당예측 결과 출력오차 계산(MSE)오차를 줄이는 방향으로 가중치(weight) 조정(가중치 = 파라미터)1번으로 올라가 반복(max iteration에 도달)loss function: 오차계산optimizer: 가중치 조절learning_rate: 학습율 결정epoch: 반복횟수 딥러닝 모델링1. Regression 스케일링# 스케일러 선언 scaler = MinMaxScal..
7, 8주차 (4월 1일 ~ 5일, 4월 8일 ~ 12일) 3차 미니프로젝트(4월 4일 ~ 9일) 4월 4일부터 9일까지 3차 미니프로젝트가 진행되었습니다! 이번 미니프로젝트는 두 번에 걸쳐 나누어서 진행되었는데 4, 5일에는 스마트폰 센서 데이터 기반으로 행동을 분류하는 주제, 8, 9일에는 신규 임대 아파트의 주차 수요를 예측하는 주제였습니다. 첫 번째 주제에서는 데이터에 대한 이해가 많이 부족한 상태에서 주어진 문제들 풀기에 급급하다 보니 내용도 제대로 파악하지 못하고 체계가 잘 잡혀있지 않아 많이 헤맸던 거 같습니다. 이에 조원들과 얘기 나눠본 결과 두 번째 주제 진행 전에 데이터에 대한 이야기를 먼저 적극적으로 나누어 도메인 지식을 쌓은 후 프로젝트를 진행하는 방향으로 결정이 되었습니다! 확실히..
머신러닝 복습비지도학습레이블이나 명시적인 결과 없이 입력 데이터의 구조나 패턴을 발견하고 모델링하는 방법비지도 학습만으로 끝나지 않고 후속 작업 필요차원 축소: 고차원 데이터를 축소하여 새로운 feature 생성Clustering: 고객별 군집 생성이상탐지: 정상 데이터 범위 지정 1. 차원 축소고차원 데이터는 많은 특성(feature)을 가지고 있기 때문에 데이터를 시각화하거나 분석하기 어려움또한, 차원이 증가함에 따라 데이터의 복잡성도 증가 및 학습 알고리즘의 성능이 저하됨(차원의 저주)따라서 차원 축소는 데이터의 복잡성을 줄이고 효율적인 분석을 가능하게 함ex) 주성분 분석(PCA), t-SNE 주성분 분석(PCA)데이터를 새로운 축으로 변환하여 가장 많은 분산을 보존하는 주성분을 찾아내는 방법스케..
머신러닝 복습K-Fold Cross Validation(교차 검증)머신러닝 모델의 성능을 평가하는 방법 중 하나데이터를 여러 개로 나눈 뒤, 각각의 나눈 것들을 사용하여 모델을 학습하고 나머지로 모델을 검증하는 과정을 반복하는 것과소적합 문제 방지 가능좀 더 일반화된 모델을 만들 수 있음반복 횟수가 많아서 모델 학습과 평가에 많은 시간이 소요된다는 단점 K-분할 교차 검증 사용 방법# 1단계: 불러오기from sklearn.tree import DecisionTreeClassifier # KNN, Logisticfrom sklearn.model_selection import cross_val_score# 2단계: 선언하기model = DecisionTreeClassifier(max_depth=3)# 3..