본문 바로가기

공부기록13

혁펜하임의 Easy! 딥러닝 - 기울기 문제부터 배치 & 레이어 정규화까지 Easy! 딥러닝『Easy! 딥러닝』은 딥러닝을 처음 접하는 독자들을 위한 필수 가이드로, 인공지능의 기초 개념부터 CNN, RNN 등 딥러닝의 주요 주제를 폭넓게 다루고 있다. KAIST 박사이자 유튜버로 활동 중인 혁펜하임이 집필한 이 책은 직관적인 비유를 통해 딥러닝의 원리를 체계적으로 이해할 수 있도록 설계되었다. 복잡한 딥러닝 개념도 저자의 쉽고 친절한 설명 덕분에 초보자도 부담 없이 따라갈 수 있으며, 280여 개의 그림과 동영상 강의는 학습 과정저자혁펜하임출판북엔드출판일2024.11.26 평소 자주 챙겨보는 채널 혁펜하임님께서 작년에 새로운 책을 출판하셔서 부족했던 기초를 다지고자 책 핸즈온 머신러닝과 같이 보고 있다 핸즈온 머신러닝이 머신러닝/딥러닝에 대해 전반적인 방법론과 각각의 방법.. 2025. 1. 31.

핸즈온 머신러닝 9장. 비지도 학습 스터디를 진행하다보니 벌써 핸즈온 머신러닝 1권에서 머신러닝 파트의 마지막 내용이다이번 장은 9장 비지도 학습으로 기존에 작성했던 내용들처럼 비지도 학습이 어떤 것이고 어떠한 방법들이 있는지, 각각의 방법에 대해 깊은 이론과 코드 보다는 이론을 주로 다룰 것이다책의 내용만을 그대로 옮기는 것이 아닌, 발표를 위해 준비하고 만든 자료들과 정리한 내용들을 이용해 비지도 학습에 대해 정리해보았다개별적인 방법에 대한 깊은 내용은 실무나 챌린지 등에서 사용한 경험이 있을 경우 따로 추가적인 정리를 해보려한다 1. 비지도 학습의 개요 1-1. 비지도 학습 개념 비지도 학습이 무엇일까? 우리가 지금까지 사용해온 데이터들은 전부 정답이 존재한 데이터들이다문제와 정답을 모두 알려주고 학습을 시키는 '지도학습'을 해.. 2025. 1. 22.

핸즈온 머신러닝 8장. 차원 축소 Intro 많은 머신러닝 문제의 데이터셋은 수천에서 많게는 수백만 개의 특성을 가진다이렇게 너무 많은 특성은 훈련을 느리게 하고 모델의 성능을 떨어뜨리기도 한다. 이런 문제를 차원의 저주라 부른다이런 문제들은 특성 수를 크게 줄여서 불가능한 문제를 가능한 범위로 변경할 수 있는 경우가 존재한다ex) MNIST 이미지. 이미지 경계의 픽셀은 거의 흰색이므로 제거해도 많은 정보를 잃지 않음. 또는 인접한 두 픽셀들은 서로 연관성이 크기 때문에 평균을 내어 하나의 픽셀로 합치는 것도 좋은 방법차원을 축소시키면 일부 정보가 손실이 되지만 그만큼 훈련 속도가 빨라질 수 있다따라서 차원 축소를 하기 전에 원본으로 먼저 학습 및 테스트해보는 것도 좋다. 때로는 차원 축소를 통해 노이즈나 불필요한 데이터를 필터링하여 .. 2025. 1. 9.

Git & Github 실무 활용 완벽 가이드 part2. (브랜치와 변경사항 처리 방법) 이전 part1에서는 깃의 기본적인 소개와 add로 스테이지 올리고 커밋하는 등의 기초 명령어를 다루었다. 이번 내용에서는 섹션 6 : 브랜치로 작업하기섹션 7 : 브런치 병합하기 브랜치 생성 및 병합과 충돌에 대해 정리해보았다. 섹션 6 : 브랜치로 작업하기브랜치란? 이렇게 커밋이 순차적이라면 어떤 버그를 해결하기 위해 롤백하고 수정하는 등의 작업이 다른 작업과 충돌하여 문제가 생길 수 있다.따라서 독립적으로 작업하는 것이 필요하다. 일부 작업들은 다른 사람들의 코드를 망쳐버릴 수 있다.그래서 브랜치가 필요하며 깃 브랜치로 독립적으로 작업하고 합치는 것이 가능하다. ❇️ 브랜치는 깃의 가장 특징적인 기능이며 프로젝트에서 일종의 타임라인 같은 것이다. ❇️ 한 브랜치에서 작업한 내용은 다.. 2024. 11. 2.

핸즈온 머신러닝 7장. 앙상블 Intro이번 글에서 다룰 내용은 앙상블 학습이다어떤 하나의 복잡한 질문에 대해 수많은 사람들에게 답변을 듣고 모아 하나의 완성된 답을 만드는 것처럼 여러 개의 모델 예측을 모아서 더 좋은 예측을 만드는 방법을 앙상블이라 한다이전 장에서 배운 결정 트리를 수십, 수백개 묶어서 하나의 거대한 모델 집합으로 만든 랜덤 포레스트도 살펴볼 것이다앙상블에는 여러 개의 종류가 존재한다보팅배깅 & 페이스팅랜덤 패치 & 서브스페이스부스팅스태킹 이번 내용에서는 앙상블에는 어떤 종류가 있고 각 방법에 대해 살펴보도록 하겠다 왜 여러 개의 모델을 앙상블 했을 때 개별 모델보다 더 성능이 좋을까??본격적으로 앙상블을 살펴보기 전에 이 점에 대해 간단하게 짚고 넘어가고자 한다 1. 큰 수의 법칙과 앙상블앙상블을 실제로 사용해.. 2024. 10. 11.

핸즈온 머신러닝 6장. 결정 트리 Intro결정 트리는 분류와 회귀에 두루두루 쓰이며 매우 복잡한 데이터셋도 학습할 수 있는 성능이 뛰어난 알고리즘이다또한, 현재도 자주 사용되는 좋은 알고리즘인 랜덤 포레스트의 기본 구성 요소이기도 하다이번 챕터에서는 결정 트리의 훈련, 시각화, 예측 방법을 살펴보고 트리에 규제를 주는 법, 회귀 문제에 적용하는 방법 등을 볼 것이다 1. 결정 트리 기본 개념 및 시각화 1-1. 결정 트리 시각화 위의 사진은 결정 트리의 개념을 간단하게 표현한 그래프이다결정 트리를 설명할 때, 스무고개에 많이 비교한다. 입력된 하나의 데이터가 어떤 정답을 가지고 있는지 여러 개의 질문을 던져 예/아니오를 반복하면서 학습 및 예측하는 것이다그림의 예시를 보자면 매, 펭귄, 돌고래, 곰 4개의 동물을 3개의 질문을 통.. 2024. 9. 23.

이전 1 2 3 다음

티스토리툴바