#다른 사람의 코드 마지막에 len(people)에서 answer를 빼가지고 결과를 구할수도있겠다는 생각을 했다. lv2에 와서는 코딩하는게 조금 더 복잡해진거같은 기분이 드는거같다. 노력해야겠다..
- datasets에서 iris데이터를 불러오고 뉴럴네트워크에서 MLPClassfiier를 불러들어와 fit시켜보았다. - tensorflow에 keras에서 KerasClassifier를 불러들어와서 Sequetial을 이용해 모델을 만들어봤다. - 다중 분리이기 때문에 sparse 카테고리컬 크로스엔트로피를 사용했고 활성화함수는 렐루를 썼다. - KerasClassifier에 에폭을 5로해서 학습을 시키고 교차검증을 해보았다. - 머신러닝은 데이터가 많을수록 성능이 안올라가는데 딥러닝은 모델이 훨씬 더 복잡하기 때문에 더 성능을 올리수 있다.오버피팅이 생길수 있는데 이것을 막으려면 데이터를 늘려야한다. - 러닝커브를 그려보면 데이터가 요동쳐서 학습이 부족하다는 것을 알수있다. - 데이터가 충분하지 않..
#mnist - convolution을 쓰려면 reshape을 해야 하기 때문에 train과 test를 split 한 다음에 크기를 맞춰주었고 픽셀 값을 0~1사이로 정규화 하기 위해서 255로 나누어 주었다. - Sequential 모델을 만들어서 컨볼루셔널과 최대 풀링을 위한 MaxPool2D를 하였다. - 첫번째 CNN 네트워크 구조는 3*3 크기의 필터를 32개 가지는 것이고 여기서 padding 매개변수는 따로 지정해 주지 않았다.(주로 valid 패딩 아니면 same 패딩을 지정한다) 스타라이드 또한 지정해주지 않았다. - 활성화 함수는 relu 활성화 함수를 선택했고 최근 이미지 분야에서 자주 사용되고 있다. - 모델에 추가되는 첫 번째 층이므로 입력 크기를 input_shape 매개변수에 ..
#fashion_mnist - tensorflow keras에 있는 datasets에서 fashion_mnist 파일을 불러들어와서 image와 lable로 트레이닝 테스트 스플릿을 하고 이미지 데이터를 보기 위해서 matploblib에 있는 imshow를 사용하였다. -데이터를 255로 나눠 minmax화 시켰고 -기본적인 예측모델들은 데이터를 1차원으로 받아들이기 때문에 flatten 시켰다. -Sequential을 이용해서 모델을 만들고 첫번째 레이어는 전부 input_shape시킨다. 그리고 Sequential모델을 만드는 방법은 2가지 이다. - adam 옵티마이저를 사용해서 컴파일 하였고 지표로는 정확도를 사용했다. 그리고 다중 클래스 분류문제이므로 sparse_categorical_cross..
#mnist 데이터 사용하는 경우 중 matplotlib 사용 -tensorflow에 있는 keras에서 datasets의 데이터인 mnist를 불러와 -train,test 데이터를 지정해주고 -plt.imshow를 이용해서 데이터를 불러올수있다. cmap = 'gray' 로 지정해주면 흑백으로 바꿀수있다. #PIL 사용하는경우 -PIL의 image.open을 사용해서 이미지 데이터를 불러올수있다. #opencv를 이용하는 경우 -cv2.imread를 이용해서 이미지 데이터를 읽을 수 있고 opencv는 RGB채널 기반이다 -이걸 BGR채널로 바꾸려면 이렇게 split을 이용해서 바꿀수 있다. -각 이미지에는 필터를 적용할수있는데 BLUR는 흐릿한것 UnsharpMask는 더 선명해진다. - tensor..
독학으로 인강을 듣다가 머신러닝과 관련된 책을 추천받아 책을 읽게 되었다. 저자는 세바스찬 라시카이다. 여기에는 머신러닝을 하는 데 있어서 다양한 툴과 모델을 경험해볼 수 있고 코드까지 따로 구현되어있어 직접 코드 리뷰를 할 수 있다. 특히 머신러닝을 처음 접하거나 아니면 머신러닝을 조금 공부했던 사람들에게는 이 책이 좋은 길잡이가 될 수 있을 거 같다. 이 책은 지도 학습, 강화 학습, 비지도 학습 같은 학습의 종류를 소개하면서 classification 문제나 regression 문제에 대해서 잘 설명해 놓았으며 tensorflow에 관한 설명도 있어서 딥러닝의 전반적인 기초까지 얻을 수 있다. 특히 머신러닝을 하는 데 있어서 고급 분류 알고리즘이 있어서 RF나 파이프라인 구축하는 법과 GridSea..
#다른사람의 코드 skill의 원소들을 리스트화 한 다음에 pop을 써서 간단하게 코딩했다. lv2에 와서는 알고리즘이 더욱 복잡해지는거 같다.
#다른사람의 코드 while을 써서 만족할때까지 돌린다음에 sort한 d의 합에서 맨 뒤의 원소를 pop해가지고 간단하게 코드를 만든거 같다.