4장은 앞 장에서 블랙박스처럼 취급되었던 머신러닝 모델과 훈련 알고리즘에 대한 내용이다. 이 장에서 언급하는 대부분의 주제는 신경망을 이해하고 구축하고 훈련시키는데 필수이다. 4.1 선형 회귀 우선, 가장 간단한 모델 중 하나인 선형 회귀 모델을 훈련시키는 두 가지 방법을 소개하고 있다. 직접 계산할 수 있는 공식을 사용하여 훈련 세트에 가장 잘 맞는 모델 파라미터를 해석적으로 구함 경사 하강법이라 불리는 반복적인 최적화 방식을 사용하여 모델 파라미터를 조금씩 바꾸면서 비용 함수를 훈련 세트에 최소화 시키는 방법(위 방법과 동일한 파라미터로 수렴) 4.2 경사 하강법 - 여러 종류의 문제에서 최적 해법을 찾을 수 있는 일반적인 최적화 알고리즘 - 비용 함수를 최소화하기 위해 반복해서 파라미터 조정해감 *..
3장은 일반적인 지도 학습인 분류(클래스 예측)을 MNIST 데이터셋을 통해 집중적으로 다룸 github.com/ageron/handson-ml2/blob/master/03_classification.ipynb - 손으로 쓴 70000개의 숫자 이미지를 모은 MNIST 데이터셋 사용 - 각 이미지는 어떤 숫자를 나타내는지 레이블이 되어 있음 - 분류 알고리즘 테스트 시 자주 사용하는 데이터셋 3.1 MNIST¶ In [3]: from sklearn.datasets import fetch_openml mnist = fetch_openml('mnist_784', version=1) mnist.keys() Out[3]: dict_keys(['data', 'target'..
std::string STL string을 이용한 문자열 처리 c header를 사용할 때의 strcpy(), strcmp() 의 함수를 사용할 필요 없이, 일반 변수와 같이 유사하게 코드를 작성할 수 있다. #define _CRT_SECURE_NO_WARNINGS #include #include //c header #include //STL string, strcpy(), strcmp()등 사용할 필요없이 일반 변수와 유사하게 작성 using namespace std; int main() { string s1 = "hello"; char s2[10]; strcpy(s2, s1.c_str()); //c_str() const char* 로의 반환, 반환된 문자열을 널 문자로 끝나는 문자열 string s3..
CHOPT 논문 정리 https://arxiv.org/abs/1810.03527 NSML에 적용된 hyperparameter optimization framework 에 대한 논문으로, 해당 논문에 대한 번역 및 요약임. 많은 하이퍼파라미터 최적화 방법들이 제한된 컴퓨팅 리소스를 가정하고 성능 향상에 주로 포커스를 둔다. 해당 논문에서는 다양한 HyperOpt 최적화 알고리즘을 지원하면서 공유 컴퓨팅 리소스를 효율적으로 활용할 수 있는 새로운 클라우드 기반 HyperOpt 프레임워크를 제안한다. 사용자가 쉽게 최적화 과정을 제어하고 반복적인 분석 절차로 통찰력을 쌓을 수 있는 편리한 웹 기반 사용자 인터페이스, 시각화 및 분석 도구를 포함한다. 또한 해당 프레임워크는 모든 클라우드 플랫폼과 통합되므로 c..
* EChart API 및 그래프 option set https://echarts.apache.org/en/option.html#title ECharts Documentation Apache ECharts is an effort undergoing incubation at The Apache Software Foundation (ASF), sponsored by the Apache Incubator. We are working on redirecting this Website to https://echarts.apache.org. You may visit our new official Website now. echarts.apache.org * vue-echarts 설정 https://github.com..
