seoyun

입력 층:아이리스 데이터셋의 특징 수에 맞춰 형상이 4인 입력 층을 정의합니다. python코드 복사X = tf.keras.layers.Input(shape=[4])  배치 정규화가 포함된 은닉 층들:코드에서는 각각 배치 정규화와 활성화 함수를 포함한 세 개의 밀집 층을 설정합니다.각 밀집 층은 8개의 유닛을 가지고 있습니다.여기서 사용된 활성화 함수는 'swish'로, 이는 x * sigmoid(x)로 정의됩니다.구조는 다음과 같습니다. python코드 복사# 첫 번째 은닉 층 H = tf.keras.layers.Dense(8)(X) H = tf.keras.layers.BatchNormalization()(H) H = tf.keras.layers.Activation('swish')(H) # 두 번째 은..

import tensorflow as tfimport pandas as pd# 과거 데이터 준비filepath = '/content/sample_data/iris.csv'iris = pd.read_csv(filepath)iris.head()# one-hot encodingafter_encoding = pd.get_dummies(iris)after_encoding.head()print(after_encoding.columns)# 독립변수, 종속변수independent = after_encoding[['꽃잎길이', '꽃잎폭', '꽃받침길이', '꽃받침폭']]dependent = after_encoding[['품종_setosa', '품종_versicolor', '품종_virginica']]print(indep..

import tensorflow as tfimport pandas as pd# 과거 데이터 준비filepath = '/content/sample_data/boston.csv'boston = pd.read_csv(filepath)# print(boston.columns)boston.head()# 독립independent = boston[['crim', 'zn', 'indus', 'chas', 'nox', 'rm', 'age', 'dis', 'rad', 'tax', 'ptratio', 'b', 'lstat']]# 종속dependent = boston[['medv']]# print(independent.shape, dependent.shape)# 2. 모델 구조 생성X = tf.keras.layers.Inpu..

import tensorflow as tfimport pandas as pd# 과거 데이터 준비filepath = '/content/sample_data/iris.csv'iris = pd.read_csv(filepath)iris.head()# one-hot encodingafter_encoding = pd.get_dummies(iris)after_encoding.head()print(after_encoding.columns)# 독립변수, 종속변수independent = after_encoding[['꽃잎길이', '꽃잎폭', '꽃받침길이', '꽃받침폭']]dependent = after_encoding[['품종_setosa', '품종_versicolor', '품종_virginica']]print(indep..

import tensorflow as tfimport pandas as pd# 과거 데이터 준비filepath = '/content/sample_data/boston.csv'boston = pd.read_csv(filepath)print(boston.columns)boston.head()# 독립independent = boston[['crim', 'zn', 'indus', 'chas', 'nox', 'rm', 'age', 'dis', 'rad', 'tax', 'ptratio', 'b', 'lstat']]# 종속dependent = boston[['medv']]print(independent.shape, dependent.shape)# 2. 모델 구조 생성X = tf.keras.layers.Input(sh..

[딥러닝/인공신경망] 아래 그림은 은닉층이 1개인 단순한 인공신경망의 구조를 나타낸다. 이때, 은닉층의 개수를 여러 개를 추가함으로써 보다 깊은 신경망을 만들고이를 학습 모델로 사용하는 것을 딥러닝이라고 한다. 딥러닝이 적용된 대표적인 사례는 2012년 이미지 인식 기술을 겨루는 ILSVRC 대회를 들 수 있다.    * 딥러닝: 사람의 뇌에서 이루어지는 원리를 이용하여 인공지능을 만드는 방식- 인공 신경망(ANN, Artificial Neural Network): 신경망을 사람들이 인공적으로 만든 것- 인공 신경망에서는 신경망의 최소 구성 단위인 뉴런이 다른 뉴런과연결된 모습을 각각의 층(레이어)이라는 개념을 사용하여 연결하고 있음     * 입력층: 데이터를 입력받는 층 * 출력층: 이 출력층에 어떠..

[이미지 처리]* 이미지- 아날로그와 디지털- Pixel(picture element)= 이미지의 최소 해상도 단위이며 화소라고도 함= 일종의 작은 타일 형태의 네모 칸(픽셀)들이 각각 섹의 정보를 '수'의 형태로 저장= 컴퓨터에서 이러한 픽셀을 사용한 이미지를 비트맵 이미지라 하며 파일의 확장자로는 bmp, gif, jpeg 등= 픽셀 크기가 증가할 수록 고해상도 이미지가 되고, 결국 파일 용량이 커짐= 작은 이미지를 확대할 경우 픽셀의 각진 형태가 두드러져 보이는 단점   - 행렬 in 선형대수학= 영상을 행렬이라고 간주할 수 있음= 빠른 속도로 처리 가능

* 샘플로 구성되는 데이터셋 - 기계 학습이 사용하는 데이터는 여러 개의 샘플을 담고 있어서 데이터셋(data set)이라 부르기도 함 * 특징으로 구성되는 특징 벡터 (feature vector) * DESCR은 iris 데이터셋에 대한 설명문 제공 - 특징벡터에 있는 특징별로 간단한 통계량을 보여주고 데이터를 수집한 시기와 사람 등 정보 제공 * 데이터 로딩 후 내용 출력 * iris 내용 확인 * 샘플을 특징 벡터와 레이블로 표현 - 특징 벡터는 x로 표기 - d 는 특징의 개수로서 특징 벡터의 '차원'이라 부름 - 오른쪽 표에서 xd - 즉, 하나의 샘플은 d개의 특징을 갖는 '특징 벡터'로 표현 - 여러 개의 샘플: X1, X2, ..., X150 - 즉, 샘플 1개는 d개의 차원으로 구성 - ..

[인공지능 개발에 많이 쓰는 라이브러리] * 사이킷런 - 분류, 회귀, 군집화, 차원 축소 등의 고전적인 기계 학습을 지원하는 라이브러리 - SVM, 결정트리, 랜덤포레스트, k-nn, 얕은 신경망 등을 제공함 - 딥러닝을 지원하지 않고, 고전적인 기계 학습을 지원 * 텐서플로 - 구글에서 개발한 딥러닝을 지원하는 대표적인 라이브러리 - 컨볼루션 신경망, 순환 신경망, 강화 학습 등 제공 * 케라스 - 텐서플로를 한 단계 추상화한 라이브러리 * 파이토치 - 페이스북에서 개발한 딥러닝 라이브러리 [레모네이드 실습] * 독립변수: 원인이 되는 것 * 종속변수: 결과 * 순서 1. 과거 데이터 준비 2. 모델 구조 제작 3. 모델 학습 4. 모델 예측(이용) import tensorflow as tf impo..

* Iris 데이터를 이용하여 의사결정트리(Decision Tree)를 구현하고새로운 데이터를 예측한 뒤, 정확도를 평가하는 코드이다.  from sklearn import datasetsfrom sklearn import metricsfrom sklearn.tree import DecisionTreeClassifierd = datasets.load_iris()  # 데이터를 읽은 후에,   # 1 데이터 준비# print(d.DESCR)    # 내용 출력#for i in range(0, len(d.data)):   # 샘플 순서대로 출력#  print (i+1, d.data[i], d.target[i])dtree_model = DecisionTreeClassifier(m..