활용 이번 Logistic Classification 학습에서는 이론에 앞서 활용방안부터 살펴보겠습니다. Logistic Classification은 binary하게 분류하는 것을 말합니다. 즉 True / False 와 같이 이분법적으로 데이터를 분류하는 것을 의미합니다. 예를 들어 어떠한 메일이 도착하였을 때 이 메일을 정상 메일(Ham)로 분류할지 스팸 메일(Spam)로 분류할지 결정하는 것이 바로 Logistic Classification 입니다. 다른 예시로는 페이스북 사용자의 더보기…
이론 지난 포스트에서는 학습 데이터의 종류가 하나인 상황에서 Linear Regression을 해보았는데요, Multivariable Linear Regression에 대하여 배워보려 합니다. 상황을 우선 설정하면 여러 학생들이 현재 마지막 최종 시험을 앞둔 상황입니다. 최종 시험 점수를 라고 하였을 때 이전에 본 3번의 시험 점수 로 최종 점수를 예측해보자는 것입니다. 이론은 역시나 똑같습니다. 1) Hypothesis 데이터 종류가 더보기…
이론 처음으로 가장 간단한 Linear Regression에 대해 배워보겠습니다. (x, y)의 형태로 많은 수의 데이터를 입력한다. 이를 x-y 그래프 상에 표시한다. 각각의 점들로부터의 거리가 최소인 일차함수를 찾아낸다. 01) 가설 설정 가설: 02) Cost function 각각의 점(데이터)에서 직선까지의 거리를 구해야합니다.(정확히 말해 거리는 아니지만…) 다음과 같이 표현할 경우 양수, 음수 계산에 있어 더보기…
01 TensorFlow로 시작하기 TensorFlow는 구글에서 개발한 기계 학습용 엔진입니다. 현재 머신러닝에 관한 함수를 제공하는 라이브러리가 다수 존재하지만 TensorFlow가 선두를 달리고 있습니다. 따라서 <모두를 위한 딥러닝/머신러닝 강의>에서 역시 TensorFlow를 사용합니다. TensorFlow를 설치하는 과정은 여러 게시물에 나와있으니… 윈도우에서 TensorFlow 설치하기 > http://datamasters.kr/11 이전에 이클립스로 안드로이드 코딩을 해본 적이 있던지라 이클립스가 익숙하더라구요. 그래서 저는 더보기…
* 비전공자이기 때문에 이 글엔 오류가 많을 수 있습니다. 01 머신 러닝에 대하여 시작에 앞서 저의 머릿속에 있는 그대로 ‘머신러닝’에 대해 설명해보겠습니다. 머신러닝은 인간의 “학습 능력”을 기계에게 접목시키는 것입니다. 알파고의 등장으로 생명체의 고유 능력인 줄로만 여겨졌던 학습이 한순간에 기계의 능력으로 전이되었습니다. ‘전이’라는 표현을 쓴 것은 알파고의 학습 능력이 이세돌보다 뛰어났기 더보기…