공대생 도전 일지

1. 다음 중 이진 분류 문제에 해당하는 것은 무엇인가? 하나를 선택하세요. 1. 어느 고객의 취향에 가장 잘 맞는 S전자 회사의 스마트폰 모델을 추천하기 2. 어느 고객이 S전자 회사의 스마트폰을 구입할 것인지 아닌지 예측하기 3. 1개월 후 S전자 회사의 주가를 예측하기 정답은 2! 애초에 나머지들은 선택지가 2개인 것도 아니야.... 이진 분류 문제는 두 개의 클래스 중 하나로 분류하는 문제를 말합니다. 주어진 옵션 중에서 "어느 고객이 S전자 회사의 스마트폰을 구입할 것인지 아닌지 예측하기"는 고객이 스마트폰을 구입할지 아닐지, 즉 '구입'과 '구입하지 않음'의 두 가지 클래스 중 하나로 분류하는 문제입니다. 따라서 이는 이진 분류 문제에 해당합니다. 정답: 어느 고객이 S전자 회사의 스마트폰을 ..

다중 분류 예시! 시각화해보자! one vs ALL을 사용한다! 이걸 반복하면 나머지들도 다 분류된다. 그럼 분류 숫자만큼 직선도 있겠네 구현 n=3인 예시! 각각의 경계를 가지게 된다.

파라미터 최적화- 비용함수를 정의하고 시작 라이브러리 형태로 다 정의되어 있다. 구현이 어렵다는 것이 단점 ㅎㅎ... 매틀랩을 통한 구현 일반적으로 확장해보자

로지스틱 회귀에서 학습은? 파라미터 W를 어떻게 정하냐! Cost function convex and non-convex convex - 경사하강법을 하다보면 최솟값이 보장되어있다. Logistic Regression Cost Function 제대로 분류하면 -> costfunction == 0 비용함수 -> Convex하다. -> 전역 최솟값에 접근 가능 선형회귀, 로지스틱 회귀는 다르다. 로지스틱 회귀 = 시그모이드를 통해 비선형적이다

분류 경계선 구해보기 두 경계를 잘 분리했다. 좀 더 복잡한 예시 - 비선형 경계선이 필요하다. 더 높은 차수의 다항식을 사용하면 복잡한 형태를 만들 수 있다. 이제 오버피팅도 나오겠네요

코로나 양성, 음성 -> 이진분류 = 데이터의 분류 결과가 2가지의 가능한 값으로만 나타나는 경우 ex) 불량품 검출, 스팸 메일 필터링 y = 0,1로 나타넨다. 다중 분류 선형회귀를 분류문제에 사용할 수 없을까? 여기까지만 보면 성공적으로 분류한 것 같다. 이상치가 있으면 데이터가 많이 이상하게 된다. Sensitive to outliers = 선형 회귀는 이상치에 민감하다. 그리고 결과도 0~1로 항상 고정되지 않는다. Sigmoid를 활용하면 0~1에 한정되게 된다. Sigmoid를 활용하므로 이 두 개는 같은 것이다. y=1이 되는 확률을 구하는 것이다! 0이 될 확률과 1이될 확률은 반비례이고 더하면 1이다.

K-NN - 최근접 이웃인가? 다수결의 원칙으로 판단하므로 k값은 보통 홀수이다. 경계선에서의 입력은 적절한 k값이 아니면 이상한 답을 출력한다. SVM - Support Vector Machine 이건 안써봤네요 아니네요 많이 써봤네요 ㅎㅎ... 여백이 최대화 하도록 선을 만든다. Outlier - 이상치 - 원하지 않는 이상한 값들 마진을 최대화 한다. outlier - 저기 뚝 떨어진 점, 데이터가 잘 못된 경우도 있다. 3개이상의 feature가 있으면 3차원으로 표현하면 된다. 직선으로 분류가 힘든 경우 결정트리 Decision Tree 알려주지 않은 정보를 알아서 판단한다. 노드 분할한 이유가 중요하다! 구체적인, 수치적인 분류 기준을 다르지 않지만 간단히만 본다. 그러니까 가장 큰 분류부터 ..

주어진 입력 == 데이터! 원하는 출력 == 레이블! 사람이 특징(feature)를 골라줘야된다. -> 이거 너무 귀찮아 보이니까 딥러닝 최고.... 최초의 사진이 들어왔을 때 무엇인지 알려주는게 목표였다. 지도학습 방법 분류 모델의 출력 == 이분법적인 선택(0,1, 사과 ...) != 값(132, 15.6...) 회귀 regression - 키에 따른 몸무게 예측, 내일 기온... 사람이 바로 결정하기 어려운 연관성이 있다 -> 머신러닝 사용 => 컴퓨터가 결정해준다. 분류 Classification - 유사한 특성을 가진 데이터끼리 묶어서 나눈다. 유사한 특징을 가진 데이터(옆모습, 뒷모습 등등) 분류 문제 - 컴퓨터가 잘 도와준다면 활용쳐가 많다. -> 컴퓨터가 많은 데이터에서의 패턴 인식을 잘한..

머신러닝 - 기계가 일일이 코드로 명시하지 않은 동작을 데이터로부터 학습하여 실행할 수 있도록 하는 알고리즘을 개발하는 연구분야 즉 머신러닝 != 규칙 기반 인공지능 과거의 경험으로부터 새로운 지식을 배우는 것과 유사하다. 컴퓨터 성능이 향상되며 인공지능도 업그레이드 되었다. 머신러닝 역사 사람 - 경험으로부터 학습한다 == 컴퓨터 - 데이터를 통한 학습 빅데이터를 활용하면 더 복잡한 문제를 풀수있는 컴퓨터를 만들 수 있다. 무인 자동차, 기계번역, 컴퓨터 비전 등 == 지능형 서비스 인공지능과 머신러닝 (경험 == 데이터) 규칙 기반 시스템은 AI이지만 ML은 아니다. 사람이 전부 규칙을 만들었다. Classical ML = 사람이 데이터에서 특징을 추출한다. -> 그 후 컴퓨터가 구분한다. Non-A..

TD를 구현해서 MDP랑 비교하는게 과제 입니당.. 일단 코드만 있고 수요일 수업 진행 후 마무리하기 import random import numpy as np class GridWorld(): def __init__(self): self.x=0 self.y=0 def step(self, a): if a == 0: self.move_left() elif a == 1: self.move_up() elif a == 2: self.move_right() elif a == 3: self.move_down() reward = -1 done = self.is_done() return (self.x, self.y), reward, done def move_right(self): self.y += 1 if self.y..