다양한 이야기들🍃

를 시작하기 전 ~~,,이전 강의를 들었는데에~,,,이후 나는 딥러닝 개요를 배웠는데,,,팀원들은 뉴럴 네트워크를 배웠다고 한닷…??!텍스트 그 자체로, 진짜 학습안된 기계인마냥 두 개의 단어가 다르다고 완전히 다른 개념이라고 생각했던 나..딥러닝과 뉴럴 네트워크가 무엇인지 지피티에게 물어보았다..💭뉴럴 네트워크(Neural Network)와 딥러닝(Deep Learning)은 서로 관련이 깊지만 완전히 같은 개념은 아니다.1. 뉴럴 네트워크 (Neural Network)는-뉴럴 네트워크는 생물학적 뇌의 뉴런 구조를 모방한 계산 모델이고-입력 데이터를 처리하고 결과를 출력하기 위해 노드(뉴런)와 그들 간의 연결(가중치)로 구성된 계층 구조를 가지고 있다.2. 딥러닝 (Deep Learning)은 -뉴럴..

25/01/13-14벌써 랩실에 들어와 스터디를 시작한지 3주차가 되었다 !!지난주는 강의보기 + 캐글 타이타닉⛴️문제 2.5% 안에 들기 +  3일간 특강의 과제가 주어져서 업로드 할 수 있는 형태의 기록이 없었던 것 같아 늦어버렸다💦2주차 랩실스터디 과제의 첫번째! 딥러닝 강의보고 스터디 후 요약(? ,,,이 아니라 더 정리 내용이 늘어나는 것 같긴 하지만)을 시작한다 ~~![영상]https://youtu.be/aircAruvnKk?si=u8n_-L0-ItNT9NGy"딥러닝" 은 컴퓨터가 사람처럼 학습하고 문제를 해결할 수 있도록 하기 위해, 뇌의 뉴런을 모방한 인공신경망을 기반으로 데이터를 분석하고 패턴을 찾아내는 기술이다. 우리는 픽셀이 다르고 밝기도 다른 3이 써져있는 그림을 봐도 우리는 모두..

총 5분 발표 2분 : 배운 이론 간단히 요약 - Decision tree classifier - Decision tree regressor- Random forest - GridSearchCV (sklearn) 3분 : 배운 이론에 따른 순서와 흐름별 코드리뷰    1️⃣ Decision Tree Classifier• Decision Tree Classifier는 데이터를 분류하기 위해 계층적으로 분할하는 모델이다. • 목적 : 주어진 데이터를 반복적으로 분할하여 불순도를 최소화하고, 각 분할마다 최적의 기준을 선택하기 위함이다. • 불순도 측정에는 엔트로피(Entropy), 지니 지수(Gini Index)가 사용된다.  2️⃣ Decision Tree Regressor • Decision Tree R..

회귀(Regression)란?:  머신러닝과 통계학에서 연속적인 수치 값을 예측하거나 변수 간의 관계를 모델링하기 위한 분석 기법이다.입력 변수(독립 변수, feature)가 출력 변수(종속 변수, target)에 어떻게 영향을 미치는지를 수학적 방식으로 모델링한다. 결정 트리 회귀(Decision Tree Regression)란?: 결정 트리(Decision Tree)를 사용하여 연속적인 값(숫자 값)을 예측하는 회귀 방법이다.데이터가 여러 구간으로 나뉘고, 각 구간에서 평균값이나 특정 기준을 사용하여 출력 값을 예측한다. 1) 두 클래스 분류의 불순물을 정의하는 방법 가능한 모든 분할에 대한 분산 감소를 평가하고 최상의 분할을 선택해야 함.결정트리로 데이터를 조건에 따라 두 개의 하위집합으로 나눈 후..

https://youtu.be/ZVR2Way4nwQ?si=W86UJdz3jLUoDCH0  위 영상을 통한 기록   어떤 알고리즘도 경험, 즉 데이터 없이 학습할 수 없기 때문에, 학습을 위한  데이터가 필요하다.  데이터 셋은 각각  x₀ (가로축)와  x₁ (세로축)에 있다.  그리고, 초록색과 빨간색의 두 개의 클래스로 존재한다.   이 두 개의 클래스는 선형적으로 분리할 수 없다. 즉, 단순히 직선으로 두 클래스를 분리할 수 없다는 것이다. 이 문제는 결정 트리(Decision Tree) 를 통해 해결할 수 있다. 결정트리 : 이진 트리(Binary Tree)를 말하며, 데이터가 순수한 리프 노드(Pure Leaf Nodes)가 될 때까지 반복적으로 분할하는 것.위에서 말한 ' 순수한 리프 노드'는..

CNN이란?Convolutional Neural Network 의 앞 문자를 따서 부르는 것으로 '합성곱 신경망'이라고 한다.이미지 처리와 같은 공간 데이터 분석에 특화된 딥러닝 모델이다.    CNN 구조는 합성곱과 풀링을 통해 입력 이미지를 처리하고, 최종적으로 완전 연결층을 통해 클래스(숫자 0~9)를 예측한다.이 과정은 특징 추출(feature extraction)과 분류(classification)의 두 단계로 구성되어 있다.  1. 입력층(Input Layer)크기: 32x32 픽셀의 이미지 입력.위 사진의 손글씨 숫자 3.2. 특징 추출(Feature Extraction) 1) 첫 번째 합성곱층 (C₁: Convolution Layer)필터 크기: 5x5 크기의 합성곱 필터 적용.출력 크기:..

Softmax Classifier는 다중 클래스 분류(Multi-Class Classification) 문제를 해결하기 위한 머신러닝 및 딥러닝 모델이다.이 모델은 '입력 데이터를 여러 클래스로 분류하는 작업'에서 확률 분포(probability distribution)를 출력한다.  Softmax Classifier는 다중 클래스 분류 문제에서 사용된다입력 데이터는 선형 변환(Wx + b)를 거친 후 Softmax 함수를 통해 확률로 변환됩니다.Cross-Entropy Loss를 이용해 실제 정답과의 차이를 최소화하도록 학습한다.확률값이 가장 높은 클래스를 최종 예측값으로 반환한다.  Softmax란? 🧐    Softmax 함수는 여러 클래스에 대한 확률 값(0~1)을 계산하고, 모든 확률의 합이 ..

DataLoader란?DataLoader는 데이터를 효율적으로 관리하고 처리하기 위해, 대규모 데이터를 모델 학습에 사용하기 쉽게 나눠서 로드하고, 배치(batch) 단위로 처리하는 도구이다.모델 학습이나 검증 시, 데이터를 자동으로 샘플링, 섞기(shuffle), 배치(batch) 크기 설정 등의 기능을 제공한다.반복자(iterator) 역할을 수행하여 한 번에 하나의 배치를 모델에 전달한다. - 핵심 개념- Dataset: 데이터를 저장하고 관리하는 구조TensorDataset, ImageFolder 등 사용 가능DataLoader: Dataset을 감싸고, 배치 단위로 데이터를 로드batch_size: 한 번에 처리할 데이터의 크기shuffle: 데이터 섞기 여부 설정 (True로 설정하면 무작위로..

Wide and Deep Learning은 Google에서 개발한 추천 시스템(Recommendation System) 모델로, 2016년에 발표되었다.이 모델은 기억(Memorization)과 일반화(Generalization)를 동시에 수행할 수 있도록 설계되었다. 개념 🌟 Wide(넓은) 부분과 Deep(깊은) 부분을 결합한 하이브리드 모델이다.Wide 모델:선형 모델(Linear Model) 기반으로, 기존 데이터 패턴을 활용한다.Deep 모델:신경망(Neural Network) 기반으로, 새로운 패턴(일반화)을 학습한다.      입력 데이터는 행렬 X로 표현되고, a와 b는 각각의 특성을 나타낸다.각 행(row)은 하나의 데이터 포인트이며, 열(column)은 특성이다. 가중치는 벡터 W로 ..

로지스틱이란? 🧐"로지스틱"은 시그모이드 함수의 또 다른 이름인 로지스틱 함수에서 유래했습니다.수학적 기반은 회귀(Regression)를 사용하지만, 출력이 확률 값을 의미하므로 분류 (Classification) 문제를 해결하기 위한 지도학습 (Supervised Learning) 알고리즘입니다.시그모이드 함수란? 🧐(출처 : https://datasciencebeehive.tistory.com/80)  주로 S자 형태의 곡선을 그리는 함수로, 수학적으로는 다음과 같이 표현할 수 있습니다.    시그모이드 함수의 특징출력 범위: 시그모이드 함수의 출력값은 항상 0과 1 사이입니다. 이 특성 때문에 이 함수는 확률을 나타내는 데에 아주 적합합니다.S자 곡선: 시그모이드 함수는 S자 형태의 곡선을 그립..