SW개발/머신러닝
-
머신러닝 스터디 3주차 - Simple CNN 모델로 이미지 학습하기SW개발/머신러닝 2019. 3. 24. 15:32
03/20 교재(컴퓨터 비전과 딥러닝 - 라쟈링가파 샨무갸마니 p.97) 개와 고양이를 예측하는 모델 훈련시키기 1. Kaggle에서 개와 고양이 이미지를 다운받는다.(https://www.kaggle.com/c/dogs-vs-cats/data) 2. 다운받은 이미지 중에서 train 폴더에 있는 이미지의 일부만 사용한다. 3. 교재의 simple cnn 코드를 활용해서 이미지 학습을 시킨다. # 이미지 데이터 출처 kaggle.com/c/dogs-vs-cats/data# tensorflow, pillow, SciPy print("==========================")print("====loading settings======")import tensorflow as tfimport osimp..
-
머신러닝 스터디 2주차 - MNIST 퍼셉트론 학습 & Kaggle Competition 제출SW개발/머신러닝 2019. 2. 21. 08:49
02/20 Python Tensorflow 연습MNIST 퍼셉트론 학습 코드 작성 # tensorflow 패키지 불러오기import tensorflow as tf # 텐서플로우에서 MNIST 데이터 로드하기from tensorflow.examples.tutorials.mnist import input_data # 레이블이 정수 형태로 저장되어있지만 훈련을 위해서 원-핫 인코딩으로 로드해야한다.mnist_data = input_data.read_data_sets('MNIST_data', one_hot=True) # 퍼셉트론 입력 크기, 클래스 수, 배치 크기, 반복 또는 배치의 총 개수 선언input_size = 784no_classes = 10batch_size = 100total_batches = 20..
-
머신러닝 스터디 1주차 - 텐서플로우 설치 및 텐서보드 사용해보기SW개발/머신러닝 2019. 2. 18. 22:20
02/13 텐서플로우 설치cmd를 관리자 권한으로 열고 pip install tensorflow 를 통해 설치한다. 파이썬 버전이 3.7인 경우 tensorflow 설치가 정상적으로 되지 않으며 3.6 버전까지는 가능하다. 텐서플로우 시작하기1) Hello, tensorflow!텐서플로우 설치 후 Hello tensorflow를 다음과 같이 찍어본다. cmd 창에서 python을 이용하려면 python을 친 후 명령어들을 그대로 입력해주면 된다. IDLE 버전 2) 숫자 더하기 예제 텐서보드 코드텐서플로우 그래프 내용을 시각화하기 위해 텐서보드를 사용할 수 있다. 덧셈 연산을 시각화하기 위해 변수들을 tf.placeholder에 지정해주고, add 연산도 지정해준다. 시각화할 때 중요한 것은 함수의 인자..
-
머신러닝 수업 6주차 - Multivariate MethodsSW개발/머신러닝 2018. 11. 1. 21:46
10/17 Multivariate Methods오늘은 챕터 5를 다룰 것이며, 주제는 Multivariate methods이다. Univariate와 같은 컨셉을 이용할 것인데 variable의 개수가 늘어난 multidimensional case를 다룰 것이다. 그리고 나서 챕터 8의 non-parametric method로 넘어갈 것이다. (중간고사는 non-parametric method까지 포함할 것이다) 이 챕터에서 여전히 parametric approach를 사용할 것인데, multivariate case (multivariate dimension)를 볼 것이다. input이 more than 2 variable인 경우이다. see how such function can be learned f..
-
머신러닝 수업 5주차 - Parametric MethodsSW개발/머신러닝 2018. 10. 12. 23:53
2018.10.10 Parametric Methods지난 시간에 Parameter methods를 조금 나갔는데, 앞부분은 그 내용들을 다시 복습하였다. i.i.d. (independent identically distributed)라는 강력한 assumption 덕분에 joint likelihood를 product of each individual likelihood로 계산할 수 있게 되었다. 데이터가 주어졌을 때, joint likelihood를 maximize하는 parameter theta를 찾는 것이 MLE가 원하는 것이다. 계산할 때는 computational reason 때문에 log likelihood를 구한다. What the maximum value가 아닌, maximize하는 thet..
-
머신러닝 수업 4주차 - Bayesian Decision Theory & Parametric MethodsSW개발/머신러닝 2018. 10. 5. 14:55
2018.10.05 Bayesian Decision Theory오늘은 bayseian decision theory를 나갈 것인데, 베이지안 룰이나 theory에 대해서는 익숙할 것이다. 나중에는 parameter method 챕터를 나갈 것인데, 그 챕터에서는 먼저 익숙한 모델을 정의한다. 그리고 그 파라미터들을 알면 모델은 fully specified된다. 그 다음 챕터는 non-parametric method를 나갈 것인데 이 챕터에서는 distribution이 어떻게 생겼는지를 가정하지 않는다. 베이지안 framework은 심플하지만 general해서 잘 이해해야 한다. probability theory를 framework로 볼 것인데 appendix를 읽을 것을 추천한다. uncertainty 를..
-
머신러닝 수업 3주차 - Supervised LearningSW개발/머신러닝 2018. 9. 19. 12:28
2018.09.19 Supervised Learning 오늘은 Supervised learning을 배우고 다음 챕터들과 연관 있는 Probability (Basic Maths)를 배울 것이다.먼저 Supervised learning에 대한 general overview를 줄 것이다. 사실 오늘날 머신 러닝의 main power는 unsupervised learning으로부터 나오고 있다. 많은 researcher들도 논문에서 unsupervised learning에 더 초점을 맞추고 있다. simple case부터 시작할 것이다. simple case를 다루는 건 별로 practical하지는 않지만 그 안에 있는 fundamental idea가 straight forward하다. 그 후에 general..
-
머신러닝 수업 2주차 - Overview & Basic MathsSW개발/머신러닝 2018. 9. 12. 22:04
2018.09.12Overview 오늘부터 Chapter 하나씩 나갈 것이고, 오늘 다룰 내용은 Introduction 챕터이다. 머신러닝 나가기 전에 hierarchy를 먼저 설명하면 다음과 같다.위에 있는 위키피디아 설명을 먼저 보면, 머신이나 컴퓨터가 intelligence 갖고 있고, 환경을 인식하고 액션을 한다. 그 아래에 있는 hierarchy를 보면, AI는 이것을 다 다룬다. 우리는 맨 위에 머신 러닝 부분만 다룰 것이다.다른 필드도 언급을 할 것이다. 머신 러닝은 단순히 알고리즘이나 모델 이기 때문에 그것만으로는 아무것도 못한다. 머신 러닝 왼쪽에 있는 딥러닝은 머신 러닝의 많은 다른 알고리즘 중 하나이다. 첫번째로 머신러닝 컨셉과 전통적인 프로그래밍을 비교해서 볼것이다.1. 전통적인 프..