찐빵월드

ML History : Linear Regression 선형 회귀의 역사 1800년대에 행성의 이동, 완두콩의 크기 예측 위해 발명 수기 계산을 할때 고안되었지만 거대한 데이터셋에서도 잘 동작 선형 회귀 알고리즘 → hypothesis equation 각 feature의 값(x)에 각 가중치(w)를 곱한 값의 합이 선형 회귀 모델이 예측하고자 하는 값이 된다. 가중치 적절히 설정해 예측값이 좋은지 나쁜지 검증 방법 → 손실측정함수(loss function) ex) regression problem의 MSE : 실제 값과 예측한 값의 차이의 평균이 최소화 되는 지점 찾아야 함 선형 회귀에서 손실 값 최소화 할 수 있는 가중치 찾는 공식 존재 단점 → 시간복잡도 O(N^3) → 현실에는 중복되거나 거의 중복..

Supervised Learning : Regression and Classification 회귀 모델 : 연속적인 값을 가진 레이블을 수학적 함수로 예측 → 선형으로 나타나게 됨 - 예측값의 오차를 줄이기 위해 Mean Squred Error 이용 ex) 위와 같은 자료에서 total bill amount를 통해 tip amount를 예측하려 한다. 팁은 연속적인 숫자이기 때문에 이는 회귀 모델 문제이다. 위 자료에서는 평균 팁 액수가 총 가격의 18%정도인데 이를 통해 일반화 된 값인 (총 액수 × 0.18)으로 팁을 예측 할 수 있다. 위에서는 1개의 독립변수만을 고려했지만, 여려개의 독립변수가 적용된 다차원 문제에서도 동일한 컨셉을 적용할 수 있다. 다차원 문제에서는 예제의 값에 초평면(hyper..

Supervised Learning : Supervised Learning ML model Supervised model(지도학습) : label 有 Unsupervised model(비지도학습) : label 無 → 원시데이터를 보고 자연스럽게 그룹으로 분류되는지 발견하는 것 지도 학습에서는 레이블, 이제껏 축적되어온 과거 데이터로 미래 데이터를 예측한다. ex) 총 식사비와 그에 대한 팁 값에 대한 데이터가 축적되어 있을 때, 어떤 손님에 대하여 총 식사비는 알지만 팁이 얼마일지 모르는 상황에서 팁=레이블 이라고 볼 수 있다. 이제 총 식사비를 통해 팁을 예측하는 모델을 생성하면 팁이 얼마인지 예측할 수 있다. Supervised model Regression(회귀 모델) : 레이블 값이 연속적 Cl..

Introduction to Launching into ML : Introduction 전체 학습목표 머신러닝 모델 종류와 딥러닝 모델의 인기 이유 손실함수(loss function) 이용한 모델 최적화, 성능지표(performance metrics) 이용한 모델 평가 머신러닝의 일반적 문제에 대한 완화 → 가장 흔한 일반적 문제 : 일반화(generalization) 부족 개요 딥러닝 기술이 어떻게 초기 머신러닝 방법인 Decision tree나 Random forests 등에 의한 발전을 포함할 수 있는지 최적화 모델(optimization model) → 지도 학습(supervised learning) : 경사 하강법(gradient descent) 이용 성능 측정 항목(performance met..

머신러닝 스터디잼 입문반을 들어봤는데 입문반은 API를 주고 머신러닝은 이런 식으로 활용된다를 실제로 조금 실습해보는 정도였어서 중급반도 이어 듣게 됐다. 입문반과는 달리 머신러닝을 처음 접하는 입장에서는 생소한 용어도 많고 더군다나 모든 코스가 영어로 진행되어 한 번에 이해하기 어려워서 공부한 걸 정리해보기로 했다. 코세라 머신러닝 중급 강좌 : Launching into Machine Learing Introduction to Launching into ML - Introduction - Intro to Qwiklabs Practical ML - Introduuction - Supervised Learning - Regression and Classification - Short History of ..