티스토리

펭귄베이스

검색하기

블로그 홈

펭귄베이스

ds-penguin.tistory.com/m

hchanryu 님의 블로그입니다.

구독자: 0

방명록 방문하기

주요 글 목록

[서브스턴스] 욕망의 문법, 시작했으면 끝까지 서브스턴스더 나은 당신을 꿈꿔본 적 있는가? 한때 아카데미상을 수상하고 명예의 거리까지 입성한 대스타였지만, 지금은 TV 에어로빅 쇼 진행자로 전락한 엘리자베스(데미 무어). 50살이 되던 날, 프로듀서 하비(데니스 퀘이드)에게서 “어리고 섹시하지 않다”는 이유로 해고를 당한다. 돌아가던 길에 차 사고로 병원에 실려간 엘리자베스는 매력적인 남성 간호사로부터 ‘서브스턴스’라는 약물을 권유 받는다. 한 번의 주사로 “젊고 아름답고 완벽한” 수(마가렛 퀄리)가 탄생하는데... 단 한 가지 규칙, 당신에게 주어진 시간을 지킬 것. 각각 7일간의 완벽한 밸런스를 유지한다면 무엇이 잘못되겠는가? ‘기억하라, 당신은 하나다!’ 평점-감독코랄리 파르쟈출연데미 무어, 마가렛 퀄리, 데니스 퀘이드 서브스턴스( The Su.. 공감수 4 댓글수 0 2025. 2. 6.
[혼공머신] 3주차 과제 혼자 공부하는 머신러닝 + 딥러닝 과제1) ch4-1 확인문제 2번 풀이 Q. 로지스틱 회귀가 이진분류에서 확률을 출력하기 위해 사용하는 함수는 무엇인가요? A. 1번 시그모이드 함수로지스틱 회귀(Logistic Regression)가 이진 분류에서 확률을 출력하기 위해 사용하는 함수는 시그모이드 함수입력값(z)을 0과 1 사이의 값으로 변환하여 확률로 해석할 수 있음. 시그모이드 함수의 수식은 다음과 같음$$ S(z) = \frac{1}{1 + e^{-z}} $$ 여기서 $$z$$는 선형 결합 $$z = b + \sum w_ix_i$$로 계산되며, $$b$$는 절편, $$w_i$$는 각 특성의 가중치, $$x_i$$는 입력값 공감수 0 댓글수 0 2025. 1. 26.
[혼공머신] 2주차 과제 혼자 공부하는 머신러닝과 딥러닝3장 회귀 알고리즘과 모델 규제 공감수 0 댓글수 0 2025. 1. 19.
[혼공머신] 1주차 머신러닝 개요/ 데이터 다루기 혼자 공부하는 머신러닝 + 딥러닝1장 나의 첫 머신러닝, 2장 데이터 다루기 1-1 인공지능과 머신러닝, 딥러닝 인공지능사람처럼 학습하고 추론할 수 있는 지능을 가진 시스템을 만드는 기술(강인공지능, 약인공지능으로 분류)머신러닝규칙을 프로그래밍하지 않아도 자동으로 데이터에서 규칙을 학습하는 알고리즘을 연구하는 분야딥러닝인공신경망을 기반으로 하는 머신러닝 알고리즘, 텐서플로와 파이토치가 대표적 1-3 마켓과 머신러닝 마켓에서 팔기 시작한 생선은 도미, 곤들매기, 농어, 강꼬치고기, 로치, 빙어, 송어, 이 생선들을 프로그램으로 분류하는 문제→ 30~40cm 길이의 생선은 도미이다 라는 기준(개발자가 설정한 기준)을 프로그래밍(전통적인 문제 해결) 생선 분류 문제를 머신러닝으로 접근?→ 생선 데이.. 공감수 0 댓글수 0 2025. 1. 12.
12장 고윳값 분해: 선형대수학의 진주 개발자를 위한 실전 선형대수학(Practical Linear Algebra for Data Science) 12장 고윳값 분해: 선형대수학의 진주 고윳값, 고유벡터 - 임의의 $n\times n$ 행렬 $A$에 대하여, 0이 아닌 솔루션 벡터 $\vec{x}$가 존재한다면 실수 $\lambda$는 행렬 $A$의 고윳값 $$A \vec{x} = \lambda \vec{x}$$ 위 식을 고윳값 방정식(Eigenvalue equation)이라 함. → 행렬이 스칼라와 같다는 의미가 아니다. 동일한 벡터에 대해 행렬이 미치는 효과는 스칼라가 미치는 효과와 동일하다는 뜻 공감수 0 댓글수 0 2024. 2. 10.
[개발자를 위한 실전 선형대수학] 11장 최소제곱법 응용 개발자를 위한 실전 선형대수학(Practical Linear Algebra for Data Science) 11장 최소제곱법 응용: 실제 데이터를 활용한 최소제곱법 날씨에 따른 자전거 대여량 예측 데이터: 서울시 자전거 대여량 - 날씨 데이터 관계 통계 분석을 시작하기 전에, 항상 상관관계 행렬을 검사하는 것이 좋음 미리 선정한 4가지 변수의 상관관계를 확인함 ## plot some results. # predicted data yHat = desmat@beta[0] # model fit to data (R^2) modelfit = np.corrcoef(y.T,yHat.T)[0,1]**2 # and plot plt.figure(figsize=(10,6)) plt.plot(y[desmat[:,1]==0],.. 공감수 0 댓글수 0 2024. 2. 6.
[개발자를 위한 실전 선형대수학] 10장 일반 선형 모델 및 최소제곱법 개발자를 위한 실전 선형대수학(Practical Linear Algebra for Data Science) 10장 일반 선형 모델 및 최소제곱법: 우주를 이해하기 위한 방법 우주를 이해하는 방법: 수학적인 근거를 바탕으로 이론을 개발하고, 데이터를 수직해 그 이론을 검증하고 개선함 통계적 모델: 일반적인 수학적 모델과 달리, 데이터에 적합시키는 자유 매개변수가 존재 ▶ 모델을 데이터에 적합해서 자유 매개변수를 찾는 것 = 선형대수학적 문제 일반 선형 모델 - 통계 모델은 예측 변수(독립변수 independent variable)를 관측값(종속변수 dependent variable)과 연관시키는 방정식의 집합 용어 선형대수학 통계 설명 $Ax=b$ $X \beta = y$ 일반 선형 모델(GLM) $A$ .. 공감수 0 댓글수 0 2024. 2. 6.
[개발자를 위한 실전 선형대수학] 9장 행 축소와 LU 분해 개발자를 위한 실전 선형대수학(Practical Linear Algebra for Data Science) 9장 행 축소와 LU 분해: 선형대수학의 핵심 분해법 2 연립방정식 LU 분해와 그 응용을 위해서는 행 축소와 가우스 소거법을 이해해야함. 우선 행축소(row reduction) - 행렬로 나타낸 연립방정식 풀이법 - 행 축소의 목표는 밀집 행렬을 상삼각 행렬로 변환하는 것 가우스 소거법 - 역행렬을 ㅜ구하지 않고 행렬 방정식을 풀 수 있는 방법 -> 행연산을 이용하는 가우스 소거법 LU 분해(LU Decomposition) LU는 하삼각, 상삼각에서와 같이 아래(Lower), 위(Upper) 방향을 의미함 ▶ 즉 행렬을 두 개의 삼각 행렬의 곱으로 분해 $$\begin{bmatrix}2 & 2 &.. 공감수 0 댓글수 0 2024. 1. 28.
[개발자를 위한 실전 선형대수학] 직교 행렬과 QR 분해 개발자를 위한 실전 선형대수학(Practical Linear Algebra for Data Science) 8장 직교 행렬과 QR 분해: 선형대수학의 핵심 분해법 1 직교 행렬(orthogonal matrix) 직교 행렬은 두 가지 속성을 가진다. 직교 열: 행렬의 모든 열은 서로 직교합니다. 단위 노름 열: 각 열의 노름(기하학적 길이)은 정확히 1이다. $$q_i\cdot q_j = \left\{\begin{matrix}0, \textrm{if} \ i\neq j\\ 1, \textrm{if} \ i= j\end{matrix}\right.$$ (직교 행렬 Q의 열q에 대해, 모든 열은 자기자신과의 내적은 1이고, 다른열과의 내적은 0이다) 위 식은 직교행렬의 원소들에 대하여, 수많은 내적의 결과가 0.. 공감수 1 댓글수 0 2024. 1. 27.
[개발자를 위한 실전 선형대수학] 역행렬 개발자를 위한 실전 선형대수학(Practical Linear Algebra for Data Science) 7장 역행렬: 행렬 방정식의 만능 키 역행렬 행렬 A의 역행렬은 A와 곱해서 단위행렬을 만드는 행렬 $A^{-1}$임 이는 행렬을 단위 행렬로 선현 변환하는 것, 즉, 역행렬은 선형 변환을 포함하며 행렬곱셈은 이 변환을 적용하는 매커니즘 $$Ax=b$$ $$A^{-1}Ax=A^{-1}b$$ $$Ix=A^{-1}b$$ $$x=A^{-1}b$$ (역행렬을 통한 행렬 방정식의 풀이) 역행렬의 유형과 가역성의 조건 - 가역성에 대한 조건이 다른 세 가지 종류의 역행렬이 있음 1. 완전 역행렬 $A^{-1}A=AA^{-1}=I$를 의미함. 행렬이 완전 역행렬을 가지기 위해서는 다음 조건을 만족해야함 정방행렬.. 공감수 0 댓글수 0 2024. 1. 27.
[개발자를 위한 실전 선형대수학] 행렬 응용: 데이터 분석에서의 행렬 개발자를 위한 실전 선형대수학(Practical Linear Algebra for Data Science) 6장 행렬 응용: 데이터 분석에서의 행렬 ㅇ 다변량 데이터 공분산 행렬 피어슨 상관계수: 두 변수의 상관관계를 나타내는 숫자 (두 변수 벡터 사이의 내적을 두 벡터 노름의 곱으로 나누어 구함) ▶ 변수가 세 개 이상이라면? 다변량 데이터 집합에서는? 공분산(Covariance): 두 평균중심화된 변수 사이의 내적 공분산은 데이터 크기가 반영됨(절댓값이 1으로 한정x) 정규화 인자로 n-1(n: 데이터 점의 크기)을 사용 정규화 인자 n-1으로 나눔으로써 많은 데이터값을 합할 때마다 공분산이 커지는 것을 방지할 수 있음 (합에서 평균을 구하기 위해 N으로 나누는 것과 유사) $$ C_{a,b} = (.. 공감수 0 댓글수 0 2024. 1. 25.
[개발자를 위한 선형대수학] 행렬의 확장 개념(2) 개발자를 위한 실전 선형대수학(Practical Linear Algebra for Data Science) 5장 행렬, 파트 2 : 행렬의 확장 개념 계수의 응용 벡터가 열공간에 존재하나요? 벡터가 행렬의 열공간에 있는지 여부는 선형대수학에서 중요한 부분이다. → "행렬 계수를 이해해야 확장 가능한 방식으로 이 부분에 대한 답을 찾을 수 있다." 행렬의 확장(augmenting) (첨가행렬) - 행렬의 우측에 열을 추가한다 https://en.wikipedia.org/wiki/Augmented_matrix Augmented matrix - Wikipedia From Wikipedia, the free encyclopedia Matrix formed by appending columns of two oth.. 공감수 0 댓글수 0 2024. 1. 24.
1장 연습문제 개발자를 위한 실전 선형대수학(Practical Linear Algebra for Data Science) 1장 벡터, 파트 1 : 벡터와 벡터의 기본 연산 연습문제 연습문제 1-2 아래 식을 코드로 변환해서 벡터 노름을 계산하는 알고리즘을 작성합니다. 차원과 방향이 다른 난수 벡터를 사용해서 np.linalg.norm과 동일한 결과를 얻는지 확인합니다. vec = np.array(np.random.randn(5)) def norm_Vec(vec): len_vec = len(vec) a = 0 for i in np.arange(len_vec): a = a + vec[i]**2 norm = a**0.5 return norm vec #array([-0.08695681, -0.17306018, 1.169684.. 공감수 0 댓글수 1 2024. 1. 22.
[개발자를 위한 실전 선형대수학] 행렬의 확장 개념(1) 개발자를 위한 실전 선형대수학(Practical Linear Algebra for Data Science) 5장 행렬, 파트 2 : 행렬의 확장 개념 행렬 노름 - 벡터 노름: 유클리드 기하학적 길이로 벡터 원소의 제곱합의 제곱근으로 계산됨. Q. 행렬의 노름은 어떤 개념인가? A. 행렬을 특정짓는 하나의 숫자라는 점에서 벡터 노름과 유사하다. 하지만 단 하나의 행렬 노름은 없어, 여러 개의 서로 다른 노름을 가진다. 각 행렬 노름은 서로 다른 의미를 가진다. 수많은 행렬 노름은 크게 원소별 계열과 유도 계열로 구분된다. 유클리드 노름/프로베니우스 노름(Frobenius Norm) - 원소별 계열의 노름으로, 모든 행렬 원소의 제곱합의 제곱근으로 계산됨 프로베니우스 노름은 l2 노름이라고 한다. (l2 .. 공감수 0 댓글수 1 2024. 1. 21.
[개발자를 위한 실전 선형대수학] 행렬과 행렬의 기본 연산 개발자를 위한 실전 선형대수학(Practical Linear Algebra for Data Science) 4장 행렬, 파트 1 : 행렬과 행렬의 기본 연산 "행렬은 벡터를 한 차원 더 끌어올린 것입니다." 데이터 과학에서 다루는 행렬은 수십억 개의 원소를 가지는 대규모인 경우가 많다. 그렇기에 수식적인 표현보다는 maplotlib등의 라이브러리를 활용한 시각화 표현이 유리함. # create some matrices A = np.random.randn(3,4) B = np.random.randn(100,100) C = -toeplitz(np.arange(8),np.arange(10)) # and show them as images fig,axs = plt.subplots(1,3,figsize=(10,3.. 공감수 0 댓글수 1 2024. 1. 21.
[개발자를 위한 실전 선형대수학] 벡터의 응용 개발자를 위한 실전 선형대수학(Practical Linear Algebra for Data Science) 3장 벡터 응용: 데이터 분석에서의 벡터 벡터와 벡터 연산이 데이터 과학에서 어떻게 사용되는가? 상관관계와 코사인 유사도 상관관계 상관관계는 통계와 머신러닝에서 가장 근본적이면서 중요한 분석 방법 상관계수(correlation coefficient): 두 변수 사이의 선형관계를 정량화한 하나의 숫자 → 정규화가 포함됨(단위의 영향 x, 상관계수가 기대하는 -1 ~ +1의 범위를 가지게 됨) -> 상관계수 계산에 포함된 두 정규화 1. 각 변수의 평균 중심화: 평균중심화는 각 데이터 값에서 평균값을 빼는 것 2. 벡터 노름 곱으로 내적을 나누기: 측정 단위를 제거하고 상관계수의 최대 크기를 1로 조정.. 공감수 0 댓글수 0 2024. 1. 21.
[개발자를 위한 실전 선형대수학] 벡터의 확장 개념 개발자를 위한 실전 선형대수학(Practical Linear Algebra for Data Science) 2장 벡터, 파트 2 : 벡터의 확장 개념 벡터 집합(set) - 벡터들의 모음, 대문자 이탤릭체로 표기 선형 가중 결합 - 선형 가중 결합 (linear weighted combination) : 여러 변수마다 가중치(또는 계수)를 다르게 주어 정보를 혼합하는 방법 = 선형 혼합(linear mixture), 가중 결합(weighted combination) - 선형 가중 결합은 단순하게 말하면 스칼라-벡터 곱셈을 한 다음 합을 하는 것 선형 독립성 - 벡터 집합에서 적어도 하나의 벡터를 집합의 다른 벡터들의 선형 가중 결합으로 나타낼 수 있을 때, 벡터 집합을 선형 종속적(linearly dep.. 공감수 0 댓글수 0 2024. 1. 14.
[개발자를 위한 실전 선형대수학] 벡터와 기본 연산 개발자를 위한 실전 선형대수학(Practical Linear Algebra for Data Science) 1장 벡터, 파트 1 : 벡터와 벡터의 기본 연산 정리 벡터는 선형대수학 전체의 초석이다. 벡터(Vector) : 순서대로 나열된 수 목록(ordered list of number) 차원(dimensionality) : 벡터가 가진 원소의 수(수학적 차원의 개념), (파이썬에서 벡터의 길이, 모양) ▶ 파이썬에서의 차원은 수 객체를 출력하는 데 사용되는 기하학적 차원의 수 방향(orientation) : 벡터의 원소들이 나열된 모양 ( 열 방향, 행 방향) 벡터의 기하학적 해석 - 벡터는 특정 길이(또는 크기)와 방향을 가진 직선 "벡터를 기하학적 또는 대수학적으로 개념화하는 것은 단순히 같은 것을.. 공감수 0 댓글수 0 2024. 1. 14.
DecisionTree와 Ensembling 실습 : wine 데이터 셋 실습 목표 와인 데이터셋을 통해 DecisionTreeClassifier, RandomForestClassifier, 그리고 AdaBoostClassifier, GradientBoostClassifier를 학습해보고자 한다. 와인 데이터 셋 가져오기(sklearn.datasets) from sklearn.datasets import load_wine wine = load_wine() sklearn.datasets에는 머신러닝을 위한 다양한 샘플 데이터들이 있다. 와인 등급 데이터는 분류(calssification)를 위한 데이터셋이다. load_wine() 함수를 이용하여 쉽게 로드할 수 있다. 로드된 데이터 셋은 pandas.DataFrame이 아닌sklearn.utils.Bunch 클래스 형태로 저장.. 공감수 0 댓글수 1 2024. 1. 7.
Ensemble 2: AdaBoosting과 GradientBoosting 부스팅(boosting, hypothesis boosting) 부스팅은 약한 학습기를 여러개 연결하여 강한 학습기를 만드는 앙상블 방법이다. AdaBoost(Adaptive boosting) 이전 모델이 과소적합했던 훈련 샘플의 가중치를 더 높이는 방법. https://www.analyticsvidhya.com/blog/2022/01/introduction-to-adaboost-for-absolute-beginners/ Introduction to AdaBoost for Absolute Beginners AdaBoost stands for Adaptive Boosting. It is a statistical classification algorithm that forms a committee of wea.. 공감수 0 댓글수 0 2024. 1. 6.
Ensemble 1: 앙상블 학습과 랜덤 포레스트 랜덤으로 선택된 수천 명의 사람에게 복잡한 질문을 하고 답을 모으면, 많은 경우 전문가의 수준의 답을 얻을 수 있다. 이러한 대중의 지혜를 머신 러닝에서도 찾을 수 있다. 투표 기반 분류기(Voting) 여러 개의 분류기를 통해 더 우수한 결론을 얻는 방법 - 직접 분류(hard voting) 같은 데이터를 서로 다른 예측기에 대입하고 , 다수결의 원칙으로 예측을 내는 방식 놀랍게도 다수결 투표 분류기가 앙상블에 포함된 개별 분류기 중 가장 뛰어난 것보다도 정확도가 높은 경우가 많다. 약한 학습기일지라도, 앙상블에 있는 약한 학습기가 충분하게 많고, 다양하다면 강한 학습기가 될 수 있다. (대수의 법칙) from sklearn.datasets import make_moons from sklearn.ens.. 공감수 0 댓글수 0 2024. 1. 3.
Trading Off Precision and Recall(정밀도와 재현률 트레이드 오프) Precision(정밀도)는 전체 양성 예측 중 진양성의 비율이고, Recall(재현률)은 분류기가 정확하게 감지한 양성 레이블의 비율이다. Precision = Positive 예측의 정확도 Recall = 정확하게 감지한 Positive sample의 비율(민감도;Sensitivity, 진짜 양성 비율;True Positive Rate;TPR) 즉 FP이 높아질수록 Precision의 값이 낮아지고, NP이 높아질수록 Recall의 값이 작아진다. 위 그림의 예처럼 분류기의 결정임계값(thresholds)을 조정하면 그에 따라 Precision과 Recall의 값이 변한다. (Positive 예측의 범위를 넓히는 threshold를 설정하면, 음양성이 늘어나 정밀도가 낮아진다.) from sklear.. 공감수 1 댓글수 1 2024. 1. 1.
머신러닝 알고리즘의 성능 평가 지표(Evaluation Metric) "The important thing isn't can you read music, it's can you hear it. Can you hear the music, Robert? Classfication Model Evaluation Metric 정확도(Accuracy) 오차행렬(Confusion Matrix) 정밀도(Precision) 재현율(Recall) F1 스코어 ROC AUC > 위에 나열된 성능지표들은 대체로 이진분류에서 더 강조하는 지표들 Accuracy HTML 삽입 미리보기할 수 없는 소스 "실제 데이터와 예측 데이터가 얼마나 같은가?" 를 표현한 하는 판단 지표 그러나 정확도는 데이터셋의 분포에 따라 왜곡을 발생시킬 수 도 있다. 특히 데이터 분포도가 균일하지 않은 경우 높은 수치가 .. 공감수 0 댓글수 0 2023. 12. 29.
Data Preprocessing : Label Encoding * One hot Encoding Label Encoding - 사이킷런의 LabelEncoder 클래스로 구현할 수 있다. LabelEncoder 또한, 다른 sklearn 객체와 같이, 객체 생성 후 fit, transform 호출하며 진행 from seaborn import load_dataset from sklearn.preprocessing import LabelEncoder penguin_df = load_dataset("penguins") encoder = LabelEncoder() #LabelEncoder 또한, 다른 sklearn 객체와 같이, 객체 생성 후 fit, transform 호출하며 진행 encoder.fit(penguin_df["species"]) labels = encoder.transform(penguin.. 공감수 0 댓글수 0 2023. 12. 29.
Skit- Learn의 기반 프레임워크 익히기 Skit- Learn의 기반 프레임워크 익히기 지도학습의 주요 두 축인 부류(Classification)과 회귀(Regression)의 다양한 알고리즘을 구현하는 과정에서 fit(), predict()을 활용하여 간단하게 학습과 예측 결과를 반환한다. Estimator 클래스 Estimator = Classifer(분류 알고리즘 sklearn 클래스) + Regression(회귀 알고리즘 on sklearn) - 내부에서 각각 fit과 predict를 구현하고 있음 - evaluation 함수(cross_val_score( ) 등), GridSearchCV와 같은 하이퍼 파라미터 튜닝을 지원하는 클래스 등에서 Estimator를 인자로 받음 (함수 내에서 인자로 받은 Estimator의 fit( )과 p.. 공감수 0 댓글수 0 2023. 12. 29.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.