1.소프트맥스 회귀(Softmax Regression)다중 클래스 분류 문제를 해결하는 데 사용되는 모델로지스틱 회귀의 확장 버전으로, 주어진 입력에 대해 여러 클래스 중 하나를 예측하는 데 사용한다.θk는 각 클래스에 대한 파라미터x는 입력 벡터K는 클래스의 수
분류 전체보기
1.로지스틱 회귀(Logistic Regression)분류 문제를 해결하기 위한 통계적 모델데이터 입력에 따라 특정 클래스에 속할 확률을 예측하는 데 사용한다.출력 값이 연속적인 값이 아니라 0과 1 사이의 확률로 나타난다. 2.시그모이드 함수(Sigmoid function)실수 값을 0과 1 사이의 값으로 변환하는 비선형 함수이다.이진 분류 문제에서 출력값을 확률로 해석하기 위해 사용한다. import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LogisticRegression..
1.시계열 데이터(Time Series Data)시간 순서대로 나열된 데이터로, 각 데이터 포인트가 특정 시간에 대응하는 값이다.시계열 데이터는 주식 가격, 기온, 판매량, 웹사이트 방문자 수 등 시간에 따라 변동하는 데이터를 다룬다.(시간적인 순서와 연속성이 있다)2.시계열 데이터 특징2-1.시간 의존성일반적으로 시간에 따라 이전 값과 연관이 있다.즉, 현재 데이터 포인트는 과거의 데이터와 관련이 있다. 2-2.계절성(Seasonality)특정 시간 주기에 따라 반복되는 패턴이 있을 수 있다. 2-3.추세(Trend)시간에 따라 데이터가 지속적으로 상승하거나 하락하는 경향이 있을 수 있다. 2-4.불규칙성(Irregularity)일부 데이터는 예측할 수 없는 변화가 있을 수 있다.
0.옵티마이저(Optimizer)주어진 문제에 대해 최적의 해(solution)를 찾기 위해 파라미터를 조정하는 알고리즘표 함수(주로 손실 함수)의 값을 최소화하는 방향으로 파라미터를 갱신한다. 1.경사하강법(Gradient Descent)가장 기본적인 옵티마이저로 함수의 기울기를 계산하여 최적의 값을 찾아간다.경사하강법은 함수의 기울기(미분값)를 따라가며 최솟값을 찾아가는 방식이다.기울기(gradient)를 계산하고, 그 기울기가 가리키는 방향을 반대로 이동하여 최솟값을 찾아간다. 1-1.비용 (Cost)모델이 예측한 값과 실제 값 간의 차이를 의미한다.모델이 얼마나 잘 예측했는지를 측정하는 지표(모델의 예측 오류를 측정하는 지표)로 사용된다.작을수록 좋다.대표적으로 MSE가 있다 1-2.기울기(..
1.회귀(Regression)인공지능과 머신러닝에서 입력 변수(독립 변수)와 출력 변수(종속 변수) 간의 관계를 모델링하여 연속적인 값을 예측하는 기법 1-1.선형 회귀(Linear Regression)입력 변수(독립 변수)와 출력 변수(종속 변수) 간의 선형적인 관계를 모델링하여 값을 예측하는 통계적 방법주어진 데이터가 직선으로 표현될 수 있다고 가정하며, 이를 기반으로 새로운 입력 데이터에 대해 종속 변수를 예측한다. y: 예측 값(종속 변수)x: 입력 값(독립 변수)w: 회귀 계수(기울기)b: 절편(바이어스) import numpy as npfrom sklearn.linear_model import LinearRegression# 데이터 생성X = np.array([[1], [2], [3..
1.CSS Module각 컴포넌트마다 고유한 클래스를 생성하여 스타일 충돌을 방지하는 방법각 CSS 파일이 모듈화되어 있으며, 클래스 이름은 컴포넌트에 맞게 고유하게 바뀐다.// MyComponent.module.css.button { background-color: blue;}// MyComponent.jsimport styles from './MyComponent.module.css';const MyComponent = () => { return Click me;}; 2.Styled-componentsJavaScript 코드 내에서 스타일을 작성할 수 있게 해주는 라이브러리CSS-in-JS 방식으로, 스타일을 JavaScript 내에 직접 작성하며, 동적인 스타일링도 가능import sty..
0.머신 러닝(Machine Learning)데이터를 이용해 알고리즘이 스스로 학습하여, 명시적인 프로그래밍 없이 예측하거나 결정을 내리는 기술이다.즉 데이터를 기반으로 학습하며, 그 학습 결과를 바탕으로 새로운 데이터를 처리하거나 예측하는 데 사용한다. 1.데이터셋 (Dataset)머신 러닝에서 사용하는 데이터의 집합일반적으로 훈련 데이터와 테스트 데이터로 나누어 사용 1-1.훈련 데이터 (Training Data)모델이 학습하는 데 사용하는 데이터. 주어진 입력에 대한 정답이 포함된다. 1-2.테스트 데이터 (Test Data)훈련된 모델의 성능을 평가하는 데 사용하는 데이터. 모델은 테스트 데이터의 정답을 모르며, 예측한 값을 실제 정답과 비교한다. 1-3.검증 데이터 (Validation..
1.코사인 유사도두 벡터 간의 유사도를 측정하는 방법으로, 두 벡터의 방향이 얼마나 유사한지를 나타낸다.코사인 유사도는 벡터의 크기(길이)에는 영향을 받지 않으며, 오로지 벡터 간의 각도에 따라 유사도를 계산한다.코사인 유사도가 높다면 두 문서의 유사도가 높다는것을 의미한다. from sklearn.feature_extraction.text import CountVectorizerfrom sklearn.feature_extraction.text import TfidfVectorizerfrom numpy import dotfrom numpy.linalg import normdef cos_sim(A, B): return dot(A, B)/(norm(A)*norm(B))corpus = [ "hello ..
