Be Brave, Be Humble

Open in Colab 누르면 코랩으로 이동 가능 과거의 나는 왜 스파이더로 작성했을까요.. 왜.. 한 블럭 안에 들어가서 가독성 제로인 점 양해를.. ㅠ In [ ]: # -*- coding: utf-8 -*- """ Created on Mon Jun 6 22:08:36 2022 @author: FullSun """ ############################################### ########### Part2. 파이썬에 발 담그기 ########### ############################################### #--------------------------------------------- # 1. 너무 쉬운 파이썬 #-----------------..

Open in Colab 누르면 코랩으로 이동 가능. 빅데이터 분석기사 실기를 전부 스파이더로 작성해서 ^^,, colab으로 옮기니 한 블럭에 다 들어가버리네요 머쓱 프리렉 빅데이터 분석기사 실기책을 바탕으로 작성했습니다. In [ ]: # -*- coding: utf-8 -*- """ Created on Fri Jun 10 05:55:08 2022 @author: FullSun """ ############################################### ##### Part3. 파이썬으로 데이터 분석 준비하기 ##### ############################################### #---------------------------------------------..

Open in Colab 누르면 깃헙 이동 가능합니다. 머신러닝 프로세스 A to Z section1. 머신러닝 프로세스 Data set 분할 training:validation:test = 70-90 : 10-20 : 10-20 validation set 없이 학습데이터와 테스트 데이터로 진행하는 경우가 많음 => 8:2 학습 데이터를 그룹으로 나누어서 cross validation하는 경우도 많이 사용됨 데이터 전처리 feature 표준화/정규화 (MinMaxScaler, StandardScaler) 정규화: feature들의 단위가 다르기 때문에 생기는 문제 해결하기 위해 단위 통일 범주형 변수 더미화 (One-Hot or multinomial)

https://github.com/BeBrave-BeHumble/Coding_test/blob/main/%EC%BD%94%EB%94%A9%ED%85%8C%EC%8A%A4%ED%8A%B8_%EA%B8%B0%EC%B4%88%EB%AC%B8%EB%B2%95.ipynb GitHub - BeBrave-BeHumble/Coding_test Contribute to BeBrave-BeHumble/Coding_test development by creating an account on GitHub. github.com https://www.youtube.com/watch?v=m-9pAwq1o3w&t=5367s 나동빈의 코딩테스트 기초 문법 유튜브 참고 알고리즘 문제 해결 과정 지문 읽기 및 컴퓨터적 사고 요구사항(복잡..

딥러닝의 역사에 ImageNet 대회 이야기가 빠질 수 없음. 따라서 ImageNet 관련 논문 중심으로 리뷰해보고자 함. 2012년 Convolution Network의 시초라 할 수 있는 AlexNet부터 최근 SOTA까지 포스팅할 예정이며, 이번 포스팅에서는 2016 ResNet까지 다룸. 모든 개념을 상세히 설명하지는 않으며, 각 논문에서 사용된 테크닉과 문제점에 기반하여 발전 흐름을 수식없이 정리한 포스팅임. (러닝 테크닉이나 추가 논문 리뷰은 꾸준히 따로 포스팅 할 예정이고 오늘은 큰 개요만 정리함.) 발전 개요를 한국사처럼 시간 순으로 정리할 것임. 왜냐하면 이전 논문에 기반하여 다음 논문의 테크닉이 발전하고 있기 때문! + 워드패드로 작성한 것을 복붙하는데.. 도대체 왜 문장별로 글씨 사이..

밀린 포스팅이 한가득인데 이렇게 또 Computer Vision Advanced 카테고리를 생성한 것이 조금 머쓱하지만.. 최근 가장 재미있게 공부 중이기도 하고, 학습한 내용을 잊지 않기 위해 제 때 정리하려고 생성했습니다. Computer Vision 카테고리에서는 Vision 분야의 기초 이론과 데이터 수집-전처리-tensorflow를 이용한 아키텍처 설계 및 구현까지의 일련의 과정을 중점으로 다룹니다.(다룰 예정입니다..ㅎㅎ) 하지만 저 정도로는 현업에서 응용이 어렵겠죠? 또, 기초를 탄탄히 하기 위해 이제는 잘 쓰지 않는 테크닉을 많이 사용하기 했구요. 그래서 ADVANCED 카테고리에서는 SOTA 논문을 리뷰하며 실제 업무에서 쓸 법한 러닝 테크닉 중점으로 포스팅 해보겠습니다.

https://github.com/FulISun/AI_ML-DL_Intermediate/blob/main/machine_learning/04_knn.ipynb scikit-learn을 이용한 k 최근접 이웃 개요 knn 알고리즘은 입력된 새로운 데이터와 가장 비슷한 k개 학습데이터를 찾아서 그 데이터의 평균이나 투표 결과를 결과값으로 되돌려주는 알고리즘 => k개 주변의 평균값! 따라서 k가 작을수록 데이터에 민감하게 반응함 (아래 예시에서 확인 할 것) 분류 문제인 경우 위 그림처럼 가장 가까운 데이터를 찾고 많은 쪽에 속하도록 분류 회귀문제인 경우 가까운 데이터의 타겟 평균값이 결과가 됨 In [66]: import numpy as np import matplotlib.pyplot as plt imp..