쑤쑤_CS 기록장

[ INDEX ] Chapter 7 : Going Convolutional Got GPU? Convolution layers Your first convnet in Keras Key points Where to go from here? deep learning 에 대해서 더 자세히 알아보려 합니다. basic neural network를 images에 더 잘 작동하도록 전환시킵니다. convolutional layer가 비밀 재료 입니다. * Got GPU? Keras와 TensorFlow는 맥의 GPU를 아직 지원하지 않습니다. Mac만 있다면 이번 단원에선 많은 인내심을 필요로 할 것 입니다. * Your head in the clouds? 본인의 deep learning rig를 시작하기 위한 가장..

* 회귀 분석 linear regression : 데이터를 잘 표현하는 직선의 방정식 구하기 - 평균, 중앙값 등의 다양한 방법의 대표값 존재 - 이때 직선을 이용하여 점들에서 수직선 까지의 거리의 합이 제일 적게 위와 같은 원리로 나누기에 이용한다. 직선을 기준으로 class가 나눠지고, 속한 클래스가 clear하게 분리될 수 있도록 * logistic regression 위 개념이 확장된 것이다. - hyperplane : 차수 낮춰 plane 을 기준으로 나누기 * epoch (에폭) : 전체 데이터 셋에 대해 한 번의 학습 과정이 완료되는것을 의미한다. 만약 epochs = 30이라면 전체 데이터를 30번 사용해서 학습을 거치는 것을 의미한다. 모델을 만들 때 적절한 epoch 값을 설정해야 한다..

보호되어 있는 글입니다.

* 챌린지 내용 Remember the healthy/unhealthy snacks model? Try to train that binary classifier using Turi Create. The approach is actually very similar to what you did in this chapter. The only difference is that you need to assign the label “healthy” or “unhealthy” to each row in the training data SFrame. First, you assign each class into a healthy or unhealthy array — there are 10 classes in each a..

이전 단원에서는 how to train your own models using CreateML and Turi Create에 대해서 배웠다. 이것은 코드를 많이 쓸 필요 없이 사용자에게 편리한 툴 이다. 하지만 이 단점은 사용자에게 많은 control over the training process 권한이 없다. 당신이 뭘 하고 있는지 알고 싶고, ML에서 얻고싶은게 많다면 더 강력한 툴을 사용해야 한다. 이번 단원에서는 대중적인 deep learning tool인 Keras를 사용하여 snacks classifier를 학습하자. Keras는 실제 performs the actual computations하는 backend에서 작동한다. 가장 유명한 TensorFlow를 이용해서 이를 적용해보자. Tens..

* confusion matrix 실제 class / 예측 class 왼쪽 대각선 부분 제외, 0 아닌 값은 에러임 + Netron (github.com/lutzroeder/Netron) 깔아서 실습해보기 -> learning 의 과정 쭉 모델 아키텍처로 보여짐 * mac 키체인 * 다음 단원 Logistic Regrssion //수학적 learning Softmax // 아키텍처 살펴볼 수 있음 * 조언 - mac 환경 영어로 진행하기 -> 익숙해지도록. (고유명사와 명사 등을 구별하기 쉬워진다) * 에러 났을 때, 시나리오 작성하기 - 어디까지 되고 - 어디눌렀을 때 에러 등 하나씩 해결해 나가기 - 6장 공부하고, 자기의 글로 메모하기 - 5장 챌린지1 ( healthy/unhealthy 20개 중..

5단원 에서는 SqueezeNet base model 을 이용해서 snack classifier를 train하고, 그 결과를 evaluate 하기 위한 다른 방법을 알아본다. use the SqueezeNet base model to train the snacks classifier, then explore more ways to evaluate its results. * Getting started 지난 단원의 turienv 환경을 계속 사용한다. Jupyter notebook, snacks dataset 를 이용한다. * Transfer learning with SqueezeNet cells 들을 하나 하나 수행한다. 그 결과, 지난 단원과 비교해서 feature extraction 이 빠르다. Th..

Classification ML에서 해당 모델이 얼마나 잘 작동하는지 통계적으로 확인해 보는 방법. 이런 척도를 계산하는 공식, 분류 모델 성능 평가 지표 1. 정확도 Accuracy Accuracy = ( TP + TN ) / ( TP + FP + FN + TN) 2. 정밀도 Presicion Precision = TP / ( TP + FP ) 3. 재현율 Recall Recall = TP / ( TP + FN ) 4. Fall-out Fall out = 1 - Specificity = FP / ( TN + FP ) ♠ Precision 이란? - Precision : A를 A라고 잘 알아맞출 확률. ' 실제 A / A라고 생각 '한 비율 ♠Overfitting 이란? 일상생활 언어로 말하면, 너무 길..