본문 바로가기

전체 글192

[AI 부트캠프] DAY 51 - 머신러닝 6 [오늘의 일지] 머신러닝 실시간 강의 - 머신러닝 정의 (Training), 데이터 분석 문제 정의 (회귀(Regression)) [상세 내용] 머신러닝 정의 Training - 어제 마무리하지 못했던 Training부터 정리를 시작하겠습니다. 일반적으로 Training은 모델을 학습시키는 과정이라고 말할 수 있습니다. 보통 test와 training을 위해서 데이터를 분리시킨다고 한다면 training의 비율을 70~80프로를 가져가면서 학습을 시킵니다. 그런데 이렇게 어떠한 검증 없이 학습을 시키고 성능을 test 한다면 생각했던 결과를 얻지 못하는 상황을 겪을 수 있게 됩니다. 예를 들면 많은 비율의 데이터를 가지면서 학습을 통해 좋은 결과를 얻은 training에 비해서 바로 상대적으로 적은 데이.. 2023. 9. 27.
[AI 부트캠프] DAY 50 - 머신러닝 5 [오늘의 일지] 머신러닝 실시간 강의 - ML PJT Workflow, 머신러닝의 정의 [상세 내용] ML PJT Workflow - 이번 머신러닝 수업은 프로젝트를 위함이기에 아래의 큰 틀을 가지고 있습니다. 머신러닝 시작하면서 느낀점 - 오늘은 머신러닝 실시간 수업이 시작되는 날이었습니다. 지난주 머신러닝 수업 시작 후로 생각해 봤는데 수업을 들으면서 정작 머신러닝 자체의 정의를 한 번도 제대로 정리하고 넘어간 적이 없었던 거 같습니다. 그래서 오늘 수업은 뭔가 근본적으로 머신러닝이라는 것에 대해서 제대로 알고 시작한다는 점에서 의미가 있었던 거 같습니다. 역사 - 역사적인 부분에서 시작한다면 머신러닝의 첫 등장은 대략적으로는 1950년대인 거 같은데 찾아본 사이트들마다 조금씩 다른 이야기를 하고 있.. 2023. 9. 26.
[AI 부트캠프] DAY 49 - 머신러닝 4 [오늘의 일지] 머신러닝 녹화 강의 - 머신러닝을 위한 개념 수업 (Dimensionality Reduction, Anomaly Detection) [상세 내용] 머신러닝을 위한 개념 Dimensionality Reduction - Dimensionality reduction (차원 축소)은 데이터의 특성 (차원) 수를 줄이는 기술을 가리킵니다. 이 기술은 데이터 공간의 차원을 감소시켜 데이터를 더 효율적으로 다루고 시각화하거나, 머신 러닝 및 데이터 분석 작업을 단순화하는 데 사용됩니다. 이를 통해 데이터의 복잡성을 줄이고 중요한 정보를 보존하려고 합니다. Curse of dimensionality - Curse of dimensionality(차원의 저주)는 고차원 데이터 공간에서 발생하는 다양한 문.. 2023. 9. 23.
[AI 부트캠프] DAY 48 - 머신러닝 3 [오늘의 일지] 머신러닝 녹화 강의 - 머신러닝을 위한 개념 수업 (eXplainable Method, Clustering) [상세 내용] 머신러닝을 위한 개념 eXplainable Method - "eXplainable Method"은 보통 "XAI" 또는 "Explainable Artificial Intelligence"의 줄임말로 사용되며, 인공 지능 모델이나 시스템의 작동 방식을 해석하고 설명하는 데 사용되는 방법을 가리킵니다. 이것은 주로 머신 러닝 모델 및 딥 러닝 네트워크와 같은 복잡한 AI 시스템에서 중요한 개념입니다. XAI 기술은 블랙박스로 알려진 머신 러닝 모델의 한계를 극복하려는 노력의 일환으로 발전하고 있으며, 이는 의료 진단, 금융 예측, 자율 주행 자동차, 법률 등 다양한 응용.. 2023. 9. 22.
[AI 부트캠프] DAY 47 - 머신러닝 2 [오늘의 일지] 머신러닝 녹화 강의 - 머신러닝을 위한 개념 수업 (Classification) [상세 내용] 머신러닝을 위한 개념 Classification - Classification(분류)은 머신 러닝 및 통계 분석의 하위 분야로, 데이터 포인트를 여러 클래스 또는 범주 중 하나로 분류하는 작업을 의미합니다. Classification은 주어진 입력 데이터를 사전 정의된 범주 또는 레이블로 할당하는 과정입니다. 이렇게 할당된 클래스 또는 레이블은 데이터의 특성과 패턴을 기반으로 결정됩니다. Classification를 위한 Loss Function - Classification는 말 그대로 분류라는 의미이기 때문에 분류가 되었는지를 참으로 판단을 하는 로스 함수를 가지게 됩니다. 그 예시로는 불순.. 2023. 9. 21.
[AI 부트캠프] DAY 46 - 머신러닝 1 [오늘의 일지] 머신러닝 녹화 강의 - 머신러닝을 위한 개념 수업 (Regression) [상세 내용] 머신러닝을 위한 개념 Regression - 회귀(Regression)는 통계 및 기계 학습에서 사용되는 개념으로, 입력 변수(또는 특성)와 연속적인 출력 변수(타깃 또는 레이블) 간의 관계를 모델링하는 기법을 가리킵니다. 이 모델링은 주로 다음과 같은 목적을 가지고 이루어집니다. 예측: 주어진 입력 변수에 대해 연속적인 출력 변수의 값을 예측합니다. 예를 들어, 주택의 특성(크기, 위치, 침실 수 등)을 사용하여 주택 가격을 예측하는 것이 회귀 분석의 한 예입니다. 관계 파악: 입력 변수와 출력 변수 사이의 관계를 이해하고 설명합니다. 회귀 분석은 어떤 입력 변수가 출력 변수에 어떤 영향을 미치는지를.. 2023. 9. 20.
[AI 부트캠프] DAY 45 - Git 3 [오늘의 일지] Git 실시간 강의 - Git branch, 문제 상황 대처법, 미니 프로젝트 [상세 내용] Git branch 정의 - Git 저장소에서 코드의 복사본을 나타내는 가상의 포인터. 각 브랜치는 코드 베이스의 특정 시점을 가리키며, 각 브랜치에서는 독립적으로 작업할 수 있습니다. 기본적으로 Git 저장소를 만들면 "master" 브랜치가 생성되며, 이 브랜치는 초기 코드 베이스를 나타냅니다. 그러나 프로젝트의 다양한 기능 또는 수정을 위해 새로운 브랜치를 만들 수 있습니다. 각 브랜치는 코드 베이스의 변경 사항을 추적하고, 새로운 커밋을 수용할 수 있습니다. 브랜치를 사용하여 개발자들은 동시에 다양한 작업을 진행하고, 이러한 작업을 추적하고 통합할 수 있습니다. 또한 브랜치를 사용하여 버그.. 2023. 9. 19.
[AI 부트캠프] DAY 44 - Git 2 [오늘의 일지] Git 실시간 강의 - Git 제대로 배우기 [상세 내용] Git 제대로 배우기 - 본격적으로 정리하기에 앞서서 오늘 배운 수업에 대해서 간단하게 말하고 싶습니다. 어제 온라인 녹화 강의에서도 Git이라는 것에 대해서 어느 정도 큰 틀은 배웠다고 생각했습니다. 근데 오늘 수업을 듣고 Git이라는 것이 생각보다 더 체계적이라는 것을 알게 되었습니다. 또 수업시간 동안 Git bash를 이용해서 실습이나 연습을 했는데 Git bash가 shell 기반의 CUI 환경으로 이론을 배울 때 많이 접했던 환경을 직접 사용해 보는 시간을 가져서 좋았던 거 같습니다. 그럼 CUI라는 용어를 정리하겠습니다. - CUI : CUI는 "Character User Interface"의 약어로, 사용자와 컴퓨터.. 2023. 9. 16.
[AI 부트캠프] DAY 43 - Git 1 [오늘의 일지] Git 녹화 강의 - Git 사용하기, Markdown 사용하기 [상세 내용] GitHub 사용하기 Git 환경구축하기 - GitHub를 사용하기 위해서는 우선 Git 환경을 구축해야 합니다. Mac이나 Linux 사용 환경은 이미 설치되어 있어 따로 할 게 없는데 Window 사용 환경이라면 Git 홈페이지에 가서 다운로드한 후 CMD를 열고 버전을 확인하면 설치가 완료되었는지 확인할 수 있습니다. 아래의 페이지에 들어가서 다운로드를 할 수 있습니다. Git for Windows Git for Windows focuses on offering a lightweight, native set of tools that bring the full feature set of the Git SCM.. 2023. 9. 15.
[AI 부트캠프] DAY 42 - 코딩 테스트 3 [오늘의 일지] 코딩 테스트 - 동적 계획법 (DP), 힙, 다익스트라 공부하기 [상세 내용] 코딩 테스트 사전 지식 동적 계획법 (Dynamic Programming; DP) - 동적 계획법(Dynamic Programming; DP)은 컴퓨터 과학과 수학에서 최적화 문제 및 결정 문제를 해결하기 위한 강력한 알고리즘 기법 중 하나입니다. 주로 반복되는 부분 문제(subproblem)를 효율적으로 해결하고, 그 결과를 저장하여 중복 계산을 방지하는 방법으로 사용됩니다. 동적 계획법은 다양한 문제에 적용됩니다. 일반적으로 최적화 문제를 해결하는 데 사용되며, 예로는 피보나치수열 계산, 최장 공통부분 문자열 찾기, 배낭 문제, 그래프 경로 문제 등이 있습니다. DP는 반복되는 계산을 줄이고, 최적화된 해결.. 2023. 9. 14.
반응형

티스토리툴바