본문 바로가기

머신러닝/혼자 공부하는 머신러닝

21강 합성곱 신경망을 사용한 이미지 분류
머신러닝/혼자 공부하는 머신러닝 2021. 7. 16. 21강 합성곱 신경망을 사용한 이미지 분류 이 글은 https://www.youtube.com/watch?v=WuHD9yUuTDk&list=PLJN246lAkhQjoU0C4v8FgtbjOIXxSs_4Q&index=21 보고 공부한 글 입니다. 패션 MNIST 데이터 합성곱 신경망은 2d이미지를 그대로 상용해도 된다. 케라스는 3차원 데이터로 입력을 받는다. 28*28 이지만 28*28*1로 만들어서 3차원으로 만든다. (48000, 28, 28) 한 train_input을 만들었다. 이것을 255로 나눈다.(이미지 파일 정규화) 이렇게 훈련, 검증 세트를 준비한다. 첫 번째 합성곱 층 입력데이터가 3이면 kernel_size=3이다. 즉, 3*3*3이 된다. 만약 커널 채널이 10이라면 3*3*10으로 된다. (28,28,1) 이 (3,3,1) ..
20강 합성곱 신경망의 개념과 동작 원리 배우기
머신러닝/혼자 공부하는 머신러닝 2021. 7. 15. 20강 합성곱 신경망의 개념과 동작 원리 배우기 이 글은 https://www.youtube.com/watch?v=tPLRox0YYc8&list=PLJN246lAkhQjoU0C4v8FgtbjOIXxSs_4Q&index=20 보고 공부한 글 입니다. 밀집층(dense층) 1차원으로 펼처진 특성 뉴런은 입력의 갯수와 같다. 도장을 찍듯이 이미지 특징을 팍팍잡을 수 없을까? 2차원의 꽃을 1차원으로 바꾸면 꽃모양은 없어질 것이다. 합성곱 가중치 3개만 곱한다. +절편 한칸 아래로 이동해서 1,0,7에 가중치를 곱하고 출력을 만든다. 보통 3~5 사이즈를 사용한다. 10개의 입력이 있다면 8개의 출력이 만들어 질 것이다. 가중치는 3개, 1개의 절편사용 슬라이드 했다고 한다. 커널=필터=가중치 도장을 이동해서 찍는 것이다. 필터에 있는 가중치가 커널이다 2차..
18강 심층 신경망, 인공 신경망에 층을 추가하여 심층 신경망 만들어 보기
머신러닝/혼자 공부하는 머신러닝 2021. 7. 14. 18강 심층 신경망, 인공 신경망에 층을 추가하여 심층 신경망 만들어 보기 이 글은 https://www.youtube.com/watch?v=JskWW5MlzOg&list=PLJN246lAkhQjoU0C4v8FgtbjOIXxSs_4Q&index=18&t=8s보고 고 공부한글입니다. 지난시간에 패션 mnist를 사용했다. 0~9까지의 흑백 이미지 데이터이다. 2개의 층 입력층은 생각하지 않는다. 784개의 뉴런을 입력으로 전달 은닉층에는 100개의 뉴련생성 소프트맥스 함수를 쓴다. 이진분류는 시그모이드를 쓴다. 은닉층은 활성화 함수를 거쳐서 비선형 함수로 데이터를 변형한다음 함수식이 합쳐지지 않도록한다. 많은쓰는 활성화 함수가 시그모이드 함수이다. 심층 신경망 은닉층100개, 출력층10개를 dense1, dense2객체로 만든다. Dense(출력층 갯수, 활성화 함수,) 활성화 ..
17강 인공 신경망 -> 간단한 인공 신경망 모델 만들기
머신러닝/혼자 공부하는 머신러닝 2021. 7. 13. 17강 인공 신경망 -> 간단한 인공 신경망 모델 만들기 이 글은 https://www.youtube.com/watch?v=ZiP9erf5Fo0&list=PLJN246lAkhQjoU0C4v8FgtbjOIXxSs_4Q&index=17&t=2s 보고 공부한 글 입니다. 지난 시간에 차원 축소인 pca를 배웠다. 원본 데이터의 분산이 많은 곳을 백터로 지정한다. 주성분은 몇개를 찾던지 원본 차원과 동일하다. 패션 MNIST 패션 럭키벡 이밴트를 만들었다. mnist는 기본이되는 데이터 셋이다. 0~9를 손으로 쓴 이미지 데이터이다. 28*28로 되어있고 6만개가 있다. 패션 mnist는 10개의 클래스가 있다. 28*28흑백 이미지 6만개가 있다. fashion_mnist.load_data()를 하면 입력데이터와 타겟데이터를 가지고 온다. 6만개의 셈플과 28*28..
16강 주성분 분석: 차원 축소 알고리즘 PCA 모델 만들기
머신러닝/혼자 공부하는 머신러닝 2021. 7. 12. 16강 주성분 분석: 차원 축소 알고리즘 PCA 모델 만들기 이 글은 https://www.youtube.com/watch?v=ePqKgBnpcw4&list=PLJN246lAkhQjoU0C4v8FgtbjOIXxSs_4Q&index=16 보고 공부한 글 입니다. 지난 시간에 군집알고리즘(k평균 알고리즘)으 배웠다. 데이터셋의 클러스터의 중심(센트로이드)을 정한다. 가까운 클래스들은 하나의 클러스터로 만든다. 다수의 셈플쪽으로 중심을 이동시킨다. 다시 k평균알고리즘을 돌려서 새로운 클러스터로 묶는다. 반복한다. 좋은 클러스터 갯수를 구하기 위해서 엘보우 그래프를 사용했다. 차원 축소 축 = 차원 2차원 배열 = 축이 2개 있다. 1차원 배열 = 원소의 갯수가 차원 특성의 갯수를 줄여본다. 딥러닝에 가면 배열 = 텐서가 된다. 주성분(PCA) 훈련 데이터가 산점도로 놓..
15강 k-평균 아로길즈 작동 방식을 이해하고 비지도 학습 모델 만들기
머신러닝/혼자 공부하는 머신러닝 2021. 7. 11. 15강 k-평균 아로길즈 작동 방식을 이해하고 비지도 학습 모델 만들기 이 글은 https://www.youtube.com/watch?v=SBdy0nSctRM&list=PLJN246lAkhQjoU0C4v8FgtbjOIXxSs_4Q&index=15 보고 공부한 글입니다. 지난 시간에 비지도 학습(군집 알고리즘) 을 사용해봤다. 사용자가 나눈 이미지를 분류하는 것이다. 처음에는 샘플별로 행과열에있는 전체 픽셀 평균을 내봤다. 각 픽셀별로 모들 샘플의 평균값을 이미지로 출력해본다. 흐릿한 이미지가 나온다. 저런 흐릿한 평균 이미지와 비슷한 사진을 고르면 진짜 사과사진와 비슷하지 않을까 생각했다. 하지만 픽셀을 구할 때 3개의 과일이 있다는걸 알았다.(타깃값을 알았다.) 군집 이미지를 하나씩 열어보고 분류할 수 없다. 다 모은 이미지를 클러스터(cluster)라고 부르고 이것을 분..
14강 흑백 이미지 분류 방법과 비지도 학습, 군집 알고리즘 이해하기
머신러닝/혼자 공부하는 머신러닝 2021. 7. 10. 14강 흑백 이미지 분류 방법과 비지도 학습, 군집 알고리즘 이해하기 이 글은 https://www.youtube.com/watch?v=u-G_sV7P_aA&list=PLJN246lAkhQjoU0C4v8FgtbjOIXxSs_4Q&index=14 보고 공부한 글입니다. 지난 시간에 앙상블 알고리즘을 배웠다. 여러개의 알고리즘을 모아서 예측값을 합쳐서 더 나은 모델을 만드는 것이다. 비지도 학습 과일사진을 종류별로 모으고 싶다. 과일을 분류할 수 있는 것을 해보자. 타겟이 없고 특성데이터만 사용한다. 비지도 학습의 2가지 방법은 군집, 차원축소가 있다. 과일 데이터 준비하기 .npy는 numpy확장자이다. !가 맨 앞에있다면 shell 명령어이다. 배열의 크기는 .shape으로 알 수 있다. = (300, 100, 100) 300개 샘플, 각 샘플은 100x100 이미지 이다..
13강 트리의 앙상블
머신러닝/혼자 공부하는 머신러닝 2021. 7. 9. 13강 트리의 앙상블 이 글은 https://www.youtube.com/watch?v=Moz8i-tKurk 보고 공부한 글 입니다. 지난 시간에 정형 데이터와 비정형 데이터 정형 데이터 - 머신러닝 비정형 데이터 - 딥러닝 정형 데이터 = 데이터베이스에 담을 수 있는 데이터 행과 열이 잘 구분되어 있다. 비정형 데이터 = 딥러닝에서 뛰어난 성능을 보여준다. 텍스트, 오디오, 이미지, 영상 등이 있다. 정형 데이터는 전처리, 특성공학 처리를 해서 머신러닝에 잘 적용할 수 있었다. 비정형 데이터는 전처리, 특성공학을 처리하기 어렵다. 특성을 추출하는 작업을 표현학습이라고 한다. 랜덤 포레스트 앙상블 - 여러개의 모델을 합쳐서 하나의 결과로 만든다. RandomForestClassifier로 랜덤한 분류를 한다. 랜덤 포레스트 ..
12강 교차 검증과 그리드 서치
머신러닝/혼자 공부하는 머신러닝 2021. 7. 8. 12강 교차 검증과 그리드 서치 이 글은 https://www.youtube.com/watch?v=ZaIKUvHquEQ&list=PLJN246lAkhQjoU0C4v8FgtbjOIXxSs_4Q&index=12 보고 공부한 글입니다. 지난시간에 와인을 성분만으로 구분해본다. 로지스틱 회귀로 만들면 특성마다 가중치가 나올 것이다. 결정트리로 질문을 던지면서 맞추는 모델이다. sugar 가 -0.239 라고 기준을 정하는 것은 불신도이다. 음성 클래스가 없다면 불신도가 0인 순수한 노드가 될 것이다. 비슷한 샘플이 있다면 불신도가 높다. 검증 세트 훈련 세트에서 훈련하고 테스트 세트로 메개변수(max_depth)를 튜닝 할 수 있다. 그러면 테스트세트에 잘맞게 튜닝되는것 아닌가? 사실은 3개의 세트로 나눈다. 원래 처음 배울 때는 안하다가 중..

티스토리툴바