메이플의 개발 스토리

확률적 경사 하강법¶ 키워드¶점진적 학습¶ Incremental learning, 온라인 학습(Online learning) 학습이 끝나 제품화된 모델에 대하여, 미니배치(Mini-batch)라 부르는 작은 묶음 단위의 데이터를 주입하여 모델을 학습시키는 방법 새로운 데이터 샘플을 학습하면, 학습이 끝난 데이터는 더 이상 필요하지 않기 때문에 보관하지 않아도 되므로, 저장 공간을 많이 아낄 수 있음 확률적 경사 하강법(Stochastic Gradient Descent) 훈련 세트에서 샘플 하나씩 꺼내 손실 함수의 경사를 따라 최적의 모델을 찾는 알고리즘 미니배치 경사 하강법(minibatch gradient descent) 샘플을 하나씩 사용하지 않고 여러 개를 사용 배치 경사 하강법(batch grad..

로지스틱 회귀¶로지스틱 회귀¶ rogistic regression 선형 방정식을 사용한 분류 알고리즘 선형 회귀와 달리 시그모이드 함수나 소프트맥스 함수를 사용하여 클래스 확률을 출력할 수 있음 다중 분류¶ multi-class classification 타깃 클래스가 2개 이상인 분류 문제 로지스틱 회귀는 다중 분류를 위해 소프트맥스 함수를 사용하여 클래스를 예측함 시그모이드 함수¶ sigmoid function(logistic function) 선형 방정식의 출력을 0과 1 사이의 값으로 압축하며 이진 분류를 위해 사용 소프트맥스 함수¶ softmax 다중 분류에서 여러 선형 방정식의 출력 결과를 정규화하여 합이 1이 되도록 만듬 0. 데이터 준비¶ 데이터 불러오기¶ In [ ]: import pan..

특성 공학과 규제¶다중 회귀¶ multiple regression 여러 개의 특성을 사용하는 회귀 모델 특성이 많으면 선형 모델은 강력한 성능을 발휘함 특성 공학¶ feature engineering 주어진 특성을 조합하여 새로운 특성을 만드는 일련의 작업 과정 릿지¶ 규제가 있는 선형 회귀 모델 중 하나 선형 모델의 계수를 작게 만들어 과대적합을 완화 라쏘¶ 규제가 있는 선형 회귀 모델 중 하나 릿지와 달리 계수 값을 아예 0으로 만들 수 있음 하이퍼 파라미터¶ 머신러닝 알고리즘이 학습하지 않는 파라미터 대표적으로 릿지와 라쏘의 규제 강도 alpha 파라미터가 있음 0. 데이터 준비¶ In [ ]: import pandas as pd df = pd.read_csv('https://bit.ly/p..

03-2. 선형 회귀¶ 회귀 : 임의의 수치를 예측하는 문제. 따라서 타깃값도 임의의 수치가 됨. 두 변수 사이의 상관관계를 분석하는 방법 (by 프랜시스 골턴) 분류 : 샘플을 몇 개의 클래스 중 하나로 분류 k-최근접 이웃의 한계¶ 데이터 준비 In [ ]: import numpy as np perch_length = np.array([8.4, 13.7, 15.0, 16.2, 17.4, 18.0, 18.7, 19.0, 19.6, 20.0, 21.0, 21.0, 21.0, 21.3, 22.0, 22.0, 22.0, 22.0, 22.0, 22.5, 22.5, 22.7, 23.0, 23.5, 24.0, 24.0, 24.6, 25.0, 25.6, 26.5, 27.3, 27.5, 27.5, 27.5, 28.0..

chapter03. 회귀 알고리즘과 모델 규제¶농어의 무게를 예측하라!¶ 03-1. k-최근접 이웃 회귀¶ 회귀 : 임의의 수치를 예측하는 문제. 따라서 타깃값도 임의의 수치가 됨. 두 변수 사이의 상관관계를 분석하는 방법 (by 프랜시스 골턴) 분류 : 샘플을 몇 개의 클래스 중 하나로 분류 데이터 준비 특성 : 농어의 길이 타깃 : 농어의 무게 In [ ]: import numpy as np perch_length = np.array([8.4, 13.7, 15.0, 16.2, 17.4, 18.0, 18.7, 19.0, 19.6, 20.0, 21.0, 21.0, 21.0, 21.3, 22.0, 22.0, 22.0, 22.0, 22.0, 22.5, 22.5, 22.7, 23.0, 23.5, 24.0, 2..

In [ ]: fish_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0, 9.8, 10.5, 10.6, 11.0, 11.2, 11.3, 11.8, 11.8, 12.0, 12.2, 12.4, 13.0, 14.3, 15.0] fish_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 450.0, 500...

In [ ]: fish_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0, 9.8, 10.5, 10.6, 11.0, 11.2, 11.3, 11.8, 11.8, 12.0, 12.2, 12.4, 13.0, 14.3, 15.0] fish_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 450.0, 500...

1-3 마켓과 머신러닝 In [ ]: """# 마켓과 머신러닝 """ """## 생선 분류 문제 """ """### 도미 데이터 준비하기 """ Out[ ]: '### 도미 데이터 준비하기 ' In [ ]: import matplotlib.pyplot as plt bream_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0] bream_weight = [242.0, 2..

안녕하세요. 메이플입니다! 오늘은 하체를 중점적으로 운동하고 마지막에 복근 운동을 하나 하고 왔습니다. 제가 얼마나 부실한 하체를 가지고 있는 느낄 수 있는 하루였습니다.... - 참고 헬린이가 작성하는거라 주로 무게 없이 운동하며 부족한 사항이 있을텐데 댓글로 알려주시면 감사합니다. 편하게 작성하다 보니 존댓말과 음슴체 등 섞여있습니다! 제 PT 시간은 50분입니다! 0. 준비운동 시작은 늘 준비운동! 1. 힙밴드 스쿼트 (+ 스미스 머신) 무게X 또는 5kg, 20회씩 4세트 - 스미스 머신의 바벨을 상부 승모근에 올려두고 다리는 골반 너비를 벌린다 - 발은 11자로 놓고 스쿼트를 하는동안 다리가 오므려지지 않도록 신경써서 한다 2. 레그프레스 힙밴드 무게X, 20회씩 4세트 (마지막 세트는 10회만..

안녕하세요, 메이플입니다. 최근에 일이 있어서 오랜만에 PT 수업을 듣고 왔습니다. 다시 열심히 포스팅 해보도록 하겠습니다! - 참고 아무래도 운동하고 집에 와서 기억력에 의존해서 작성하는거라 누락되는 사항이 존재할 수 있음을 참고해주세요. 편하게 작성하다 보니 존댓말과 음슴체 등 섞여있습니다. 제 PT 시간은 50분입니다! 0. 준비운동 갑작스러운 운동으로 몸이 다치지 않도록! 대충하지 않고 시간을 들여서 스트레칭 해줍니다. 1. 바벨 벤치 프레스 가장 가벼운 무게, 20회씩 4세트 - 벤치에 누워서 길다란 봉을 들었다 내리기 - 허리 들고 가슴/어깨 내리기 - 팔 옆으로 안 가게 신경쓰기 - 내릴때는 천천히 2. 시티드 체스트 프레스? 무게 x, 15회씩 4세트 - 가슴 운동 기구에 앉아서 손잡이 끝..