독학 102

[혼공학습단 13기 혼공머신🤖] 혼자 공부하는 머신러닝 + 딥러닝 week6

📜기본 숙제 : Ch.07(07-1) 확인 문제 풀고, 풀이 과정 정리하기 Q1. 어떤 인공 신경망의 입력 특성이 100개이고 밀집층에 있는 뉴런 개수가 10개일 때 필요한 모델 파라미터의 개수는 몇 개인가요?A1. 1010;100 * 100 + 10 Q2. 케라스의 Dense 클래스를 사용해 신경망의 출력층을 만들려고 합니다. 이 신경망이 이전 분류 모델이라면 activation 매개변수에 어떤 활성화 함수를 지정해야 하나요?A2. sigmoid;출력층의 뉴런의 한 개이고 선형 방정식의 결과를 확률로 변경하기 위해 sigmoid 를 이용 Q3. 케라스 모델에서 손실 함수와 측정 지표 등을 지정하는 메서드는 무엇인가요?A3. compile(); loss 매개변수로 손실함수를 지정하고, metrics 매..

[혼공학습단 13기 혼공머신🤖] 혼자 공부하는 머신러닝 + 딥러닝 week5

📜기본 숙제 : k-평균 알고리즘 작동 방식 설명하기 1️⃣ 무작위로 k개의 클러스터 중심을 정한다.2️⃣ 각 샘플에서 가장 가까운 클러스터 중심을 찾아 해당 클러스터의 샘플로 지정한다.3️⃣ 클러스터에 속한 샘플의 평균값으로 클러스터 중심을 변경한다.4️⃣ 클러스터 중심에 변화가 없을 때까지 2번으로 돌아가 반복한다. 📜 추가 숙제 : Ch.06(06-3) 확인 문제 풀고, 풀이 과정 정리하기 Q1. 특성이 20개인 대량의 데이터셋이 있습니다. 이 데이터셋에서 찾을 수 있는 주성분의 개수는 몇 개일까요?A1. 20 ;특성의 개수만큼 주성분을 찾을 수 있다. Q2. 샘플 개수가 1000개이고 특성 개수는 100개인 데이터셋이 있습니다. 즉 이 데이터셋의 크기는 (1000, 100)입니다. 이 데이터를..

[혼공학습단 13기 혼공머신🤖] 혼자 공부하는 머신러닝 + 딥러닝 week4

📜기본 숙제 : 교차 검증을 그림으로 설명하기   📜 추가 숙제 : Ch.05(05-3) 앙상블 모델 손코딩 코랩 화면 인증하기 아래 내용 정리에서 확인하실 수 있습니다.   🔖  Chap05. 트리 알고리즘 5.1 결정 트리1) 로지스틱 회귀로 와인 분류하기 - 설명하기 쉬운 모델과 어려운 모델 2) 결정 트리 - 트리의 높이를 제한하고, 어떤 특성으로 나뉘는지 정보 추가- 불순도결정 트리 모델은 부모 노드와 자식 노드의 불순도 차이가 최대한 크도록 트리를 성장시킴지니 불순도 = 1 - (음성 클래스 비율2 + 양성 클래스 비율2)정보 이득 :  부모와 자식 노드 사이의 불순도 차이엔트로피 불순도 : -음성 클래스 비율 * log2(음성 클래스 비율) - 양성 클래스 비율 * log2(양성 클래스..

[혼공학습단 13기 혼공머신🤖] 혼자 공부하는 머신러닝 + 딥러닝 week3

📜기본 숙제 : Ch.04(04-1) 2번 문제 풀고, 풀이 과정 설명하기 Q. 로지스틱 회귀가 이진 분류에서 확률을 출력하기 위해 사용하는 함수 A. 시그모이드 함수;하나의 선형 방정식의 출력값을 0~1 사이의 값으로 압축 📜 추가 숙제 : Ch.04(04-2) 과대적합/과소적합 손코딩 코랩 화면 캡쳐하기 🔖  Chap04. 다양한 분류 알고리즘4.1 로지스틱 회귀1) 럭키백의 확률- 데이터 준비하기-  K-최근접 이웃 분류기의 확률 예측 2) 로지스틱 회귀- 선형 회귀와 동일하게 선형 방정식을 학습이진분류 : 시그모이드하나의 선형 방정식의 출력값을 0~1 사이의 값으로 압축 - 로지스틱 회귀로 다중 분류 수행하기다중 분류 : 소프트맥스여러 개의 선형 방정식의 출력값을 0~1 사이로 압축하고 전체..

[혼공학습단 13기 혼공머신🤖] 혼자 공부하는 머신러닝 + 딥러닝 week2

📜기본 숙제 : Ch.03(03-1) 2번 문제 출력 그래프 인증하기   📜 추가 숙제 : 모델 파라미터에 대해 설명하기 머신러닝 모델이 특성에서 학습한 파리미터 🔖  Chap03. 회귀 알고리즘과 모델 규제3.1 K-최근접 회귀 알고리즘- 회귀 : 임의의 수치를 예측- K-최근접 이웃 회귀예측하려는 샘플에 가까운 샘플 K개를 선택선택된 샘플들의 평균으로 예측값 반환- 데이터 준비- 결정계수(R2)R2 = (타깃-예측)2의 합 / (타깃-평균)2의 합- 과대적합 vs 과소적합과대적합 : 훈련세트에만 잘 맞는 모델과소적합 : 훈련세트보다 테스트 세트의 점수보다 높거나 두 점수가 낮은 경우  3.2 선형 회귀- K-최근접 이웃의 한계- 선형 회귀특성이 하나인 경우 어떤 직선을 학습하는 알고리즘- 다항 ..

[혼공학습단 13기 혼공머신🤖] 혼자 공부하는 머신러닝 + 딥러닝 week1

📜기본 숙제 : 코랩 실습 화면 캡쳐📜 추가 숙제 : Ch.02. (2-1) 확인 문제 풀이정답 : 1 지도 학습 ; 입력과 타깃을 이용해서 훈련을 하고 이를 이용해서 정답을 구하기 때문에 지도 학습이 답입니다.  🔖  Chap01. 나의 첫 머신러닝1.1 인공지능과 머신러닝, 딥러닝- 인공지능 : 사람처럼 학습하고 추론할 수 있는 지능을 가진 컴퓨터 시스템인공일반지능, 강인공지능 : 사람과 구분하기 어려운 지능을 가진 컴퓨터 시스템약인공지능 : 특정 분야에서 사람의 일을 도와주는 보조 역할을 하는 컴퓨터 시스템- 머신러닝 : 자동으로 데이터에서 규칙을 학습하는 알고리즘을 연구한느 분야인공지능의 하위 분야 중 지능을 구현하기 위한 소프트웨어를 담당하는 핵심 분야대표적인 머신러닝 라이브러리 : 사이킷..

[😎SwaggerHub] 협업을 위한 SwaggerHub 이용하기

포스트맨만 이용해보고 swagger는 처음이라 이해하는 데 시간이 많이 걸렸다. 이해한 바로는 개인은 1. 스프링부트 프로젝트에서 개발2. swagger ui로 테스트 진행 협업은 위에서의 테스트가 성공했다면 json 파일을 swaggerHub에 업로드하는 형태로 진행하는 것 같다. 1. SwaggerHub 가입 2. Swagger UI에서 작업한 api 업로드 이후 내용은 협업하면서 채워나갈 예정이다.

[😎Swagger] 스프링 프로젝트 swagger 세팅하기

1. 의존성 추가build.gradle > dependencies에 아래 코드 추가 후 sync를 진행합니다.implementation 'org.springdoc:springdoc-openapi-starter-webmvc-ui:2.5.0' 2. SwaggerConfig.java 기본 코드 작성src 폴더 내에 config 폴더를 만들고, 아래 코드를 작성합니다.package com.appsolve.wearther_backend.config;import io.swagger.v3.oas.models.info.Info;import io.swagger.v3.oas.models.OpenAPI;import org.springframework.context.annotation.Bean;import org.spring..