낡고 지친 회사원

#2. TensorFlow implementation Inference in Code Forward propagation을 한다면 간단하게 아래와 같은 플로우로 진행된다 #x를 먼저 세팅해준다. 200도에 17분 로스팅 하면 어떤 결과가 나올까 x = np.array([[200.0, 17.0]]) #레이어를 세팅해준다. 이 레이어는 3개의 뉴런유닛을 갖고 있으며 활성함수로는 시그모이드를 쓴다.(나중엔 relu쓰겠지..?) layer_1 = Dense(3, activation = 'sigmoid') #레이어1에서 나온 활성함수값을 a1에 할당한다 a1 = layer_1(x) #레이어2를 세팅한다. output레이어는 binary로 나오므로 유닛을 1로 설정한다 layer_2 = Dense(1,activat..

#1. Neural network Demand Prediction 예시 : 어떤 티셔츠가 top seller 티셔츠가 될 것인가 ? → input : x = price , shipping cost, marketing, material ... → output : y = yes or no (binary:sigmoid) → activation : f(x) = 1 / 1+np.exp(-(wx+b)) Neural network에서 이를 사용하게 될 경우 → input layer : vector x [price,shipping cost, marketing, material] and vector y [1,1,0,1,...n] → layer1(hidden layer) : input layer와 fully connect..

#7. Gradient descent for logistic regression 로지스틱 회귀에서 cost function 수식까지 구해봤는데, 이를 최소화할 수 있는 경사하강법은 어떻게 수행할 수 있을까 Cost function을 줄이기 위해 기존에 배웠던 경사하강법 처럼 아래 내용을 반복하며 파라미터를 업데이트해나갈 수 있음 - wj = wj - alpha * (dj/dw) - b = b - alpha * (dj/db) 그런데 여기서 문제는, j의 수식이 cost function for logistic regression으로 바뀌었다는 것임. 이때의 기울기는 어떻게 구할 수 있을 지 살펴봐야 함 - ... 사실 똑같음. f(x)가 다르기 때문에 기존 선형회귀때 기울기 구했던 것과 똑같이 수행하면 됨...

#6. Classification with logistic regression Logistic regression Binary classification : 2개의 class(0,1)만 output으로 나오는 것 - 기존 선형회귀로는 binary classification을 수행하기 어려움 - 이에 sigmoid(Logistic) 함수를 활용하여 1과 0 을 구분(threshold = .5 기준) Logistic regression - z = w*x + b 라고 가정 - z를 시그모이드 함수의 변수로 설정 - 해석 : 시그모이드 함수의 값이 0.7일 경우 → 1일 확률이 70%이다 - 표기법 (베이지안 언제 공부하지..) Decision boundary : 결과값을 0으로 판단할 지 1로 판단할 지 나누..

회사원일때 좋았던 점 = 주중엔 노답인데 주말엔 뇌빼고 놀 수 있음 회사원일때 싫었던 점 = 회사일이 내 인생으 ㅣ전부가 된 느낌 (업무 커버리지가 넓어서 주중엔 맨날 일생각만 함...) vs 공부하니까 좋은점 = 내 맘대로 일정 짜서 공부하면됨 공부하니까 싫은 점 = 근데 그게 주말까지 이어짐 아니야 그래도 아직은....할만하다..화이팅! ^^ #5. Gradient descent in practice Feature scaling : 경사하강법이 더 빠르게 수행될 수 있도록 하는 테크닉 중 하나 Feature size and parameter size Feature size와 parameter size는 서로 반비례 하게 됨 (Feature size가 클수록 이에 해당하는 parameter는 작아짐. ..

코세라 지도학습 강의 2주차엔 다중회귀와, 다중회귀에 따른 경사하강법을 학습하게 된다. 다중회귀 그냥 파이썬으로 돌릴땐 참 쉬웠는데 ... (아련 #4. Multiple linear regression Multiple features 표기방식 협의 - i번째 집에 대한 특징을 벡터로 나타낼때 표기법과 i번째 집의 j번째 특징을 나타날때 표기법 헷갈리지 말기 - f(x) = w1*x1 + w2*x2 + w3*x3 ... +b = 결국 w의 벡터들과 x의 벡터들간의 매칭곱 + b 로도 표현 가능 Vectorization w = [w1, w2, w3] n=3 x = [x1, x2, x] b = 상수 → numpy 사용 시 np.array([w1,w2,w3])으로 선언 가능 벡터가 없다면 아래처럼 수행해야 함 ..

이 강의 오리지널 버전(코세라 처음 생겼을 쯤)을 듣다가 말았었는데, 그때 그냥 진작에 들을걸... 물론 지금이 강의자료도 더 많고 번역본도 많아서 공부하긴 편하지만 그때 알아뒀으면 출발선이 지금보단 훨씬 앞에 있을 것 같다 흑흑 #2. Regression Model Linear regression model 기존 데이터들에 기반하여 예측선을 그리고, New input이 들어왔을때 해당 선에 매칭되는 output을 예측값으로 하는 것 Process training set (x : features, y : targets) -> learning algorithms(F, 즉 모델) 구축 -> new x(feature)를 모델에 넣어 y(prediction)을 도출하는 것 f(x) = w * x + b Nota..

Coursera의 근본과 같은 코세라 오리지널 머신러닝 강의를 듣기로 했다. [Link] 하루에 8시간씩 공부하면 2주 안에 끝날텐데, 아마..불가능하겠지...?^^ 3주안에 완강을 목표로 달려본다. #1. Supervised vs Unsupervised Learning [What is ML] 정의 machine learning as the field of study that gives computers the ability to learn without being explicitly programmed.(Arthur Samuel) ※예시 : 체스 프로그램을 컴퓨터가 tens of thousands 학습할 수 있게 하며 좋은 체스 플레이어가 되게 함 종류 Supersivsed learning - 현실에서..

얼라리..생각보다 빨리 따버렸다. 총 소요일 : 5일 - 일상생활하며 8시간 가량의 강의 완강 후 기출문제 기반으로 문제 당 2,3개의 모델링 - 다만 머신러닝 기본 서적 완독 후 강의를 들은 것이라, 노베이스라면 시간이 더 걸리지 않을까 생각 후기 1번 : 기본문제 5/5/5 2번 : fashion_mnist 5/5/5 3번 : New Beans 5/5/5 4번 : sarcasm 5/5/5 5번 : HEPC 5/5/5 기출문제 안에서 나와서 문제 푸는 것은 어렵진 않았다. 다만 코랩 기준으로 성능이 괜찮았던 모델들이 오히려 4/4/4가 나오는 바람에 모델을 조금씩 변경하면서 5/5/5로 모두 맞췄다. 공부하다보니 개개인마다 모델 레이어 쌓는 방식이 다른데, 이미지 관련 문제의 경우엔 dropout을 레..

생각보다 원서 접수가 빠르다... 오히려 부트캠프 코스웍 시작했으면 아무 생각 없이 노니노니 하다가 접수를 놓쳤을텐데 부트캠프 코스웍을 시작하지 않게 되면서 오히려 정보를 빠르게 확보할 수 있었다 (덜덜덜) 아무리 회사에서 이것저것 해봤다. 해도 내 소속은 Hr이었기 때문에 나에 대해 증명할 서류들이 필요한데 그 서류를 지금에서라도 확보해야겠다 싶어서 빠르게 자격증 위주로 따놓으려고 한다. 다행히 지난달에 열심히 달린 텐서플로우 기반 딥러닝 도서 덕에 기본기는 있고, 빠르게 복습하면서 취득하려고 한다. 기초 학습 모두의 딥러닝 [완료] 제시하고 있는 모든 내용이 텐서플로우 기반으로 작성되어 다시 복습하면서 공부 준비 인프런 텐서플로 자격증 취득 과정 [완료] 모두의 딥러닝 내용 빠르게 복습하는 차원 학습..