딥러닝 기초

인공지능 : 사람이 판단하는 것처럼 컴퓨터(기계)가 판단하게 하는 기술

- 의사결정 알고리즘(일상에서 발생하는 현상을 알고리즘에 적용)

1. 뉴럴 네트워크

2. 개미

3. 떼 지능

4. 세포조직 등..

(정답을 구할 수 없으면 근사값을 구한다.)

 

머신러닝 : 인간의 뇌에 있는 신경망(NN)처럼 인공신경망(ANN)을 이용해서 학습하는 기술

 

학사 석사 과정에서는 반복 -> 재귀 -> 분할, 정복의 과정을 주로 다룬다

이후의 과정은 의사결정이고 이 과정은 박사 이상에서 다룬다.

 

작업의 종류

분류 ex) 강아지인지 고양이인지	회귀 ex) 거리에 따른 택시 가격 예측	예측
군집(Clustering)		이상값 감지
강화학습

분류와 군집은 거의 유사 = 클러스터링(Clustering)이라고도 부름

분류 : 학습된 정보를 바탕으로 값을 주고 맞추도록 하는 것

군집 : 비슷한 것끼리 묶는 것

머신러닝 내에서 분류 = 클러스터링

지도학습 : 학습할 때 독립변수와 종속변수를 함께 전달, 종속변수(label)을 제공하여 학습 (분류, 회귀)

비지도학습 : 종속변수(label)을 제공하지 않고 학습 (군집, 이상점, 강화)

 

언더핏 : 원하는 값을 찾지 못하고 멈춤

굿핏 : 원하는 값을 찾고 학습을 멈춤

오버핏 : 원하는 값을 찾고 학습을 계속함

 

임계치 : 나머지에 대한 값의 평균치

 

label(종속변수) = W(가중치) x feature(독립변수) + b(임계치)

 

model = Regussion() : 모델 생성

model.fit(f, l) : 학습, l은 label

result = model.predict(7) : 예측

 

1. 모델 생성

분류 모델 : slf = svm.SVC()

회귀 모델 : reg = LinearRegression

 

2. 학습

slf.fit(data, label)

 

3. 예측 및 평가

result = slf.predict(example)

+ 시각화

 

이러한 모든 작업들을 사이킷 런

 

군집 vs 분류

 

분류 

- 

 

군집 (KMean)

- 독립변수만을 넣어 label을 출력값으로 가진다.

- 하나의 군집 내에 데이터들의 거리가 가깝고 군집사이의 거리가 멀 수록 군집화가 잘 되었다고 볼 수 있다.

 

 

 

svm(support vector machin)을 이용한 지도 학습 모델

import pandas as pd
from sklearn import svm

csv = pd.read_csv("iris.csv")
data = csv[["sepal.length","sepal.width","petal.length","petal.width"]]
label = csv["variety"]
example = [[6.3,2.5,4.9,1.5]]

clf = svm.SVC()
clf.fit(data, label)
result = clf.predict(example)
print(result)

 

강사님이 친절히 설명해주신 구조