Byte의 발자취

# 데이터 증강(Augmentation)은 기계 학습에서 널리 사용되는 기술 중 하나로, 기존의 데이터를 변형하거나 조작하여 새로운 데이터를 생성하는 과정을 말한다.# 이는 모델의 일반화 성능을 향상시키고, 과적합을 줄이며, 데이터의 다양성을 증가시키는 데 사용 Cats v Dogs 로 다음처럼 모델링 하고, 학습시켜본다.4 convolutional layers with 32, 64, 128 and 128 convolutionstrain for 100 epochs # 리눅스에서 이미지 파일을 불러오는 명령어 wget# 구글은 리눅스 서버 환경임!wget --no-check-certificate \    https://storage.googleapis.com/mledu-datasets/cats_and_do..

improving Computer Vision Accuracy using Convolutions지금까지 Deep Neural Network (DNN) 를 이용해서 패션 mnist 를 분류했다.정확도가, 트레이닝셋은 89% 정도이고 테스트셋으로는 87% 정도가 나왔다.이제 Convolutional Neural Networks 이용해서 정확도를 향상시켜본다. # 텐서플로우 import tensorflow as tffrom tensorflow.keras.datasets import fashion_mnist # 텐서플로우 트레인 테스트 파일 저장 방식 (X_train, y_train), (X_test, y_test) = fashion_mnist.load_data() X_train.shape(60000, 28, ..

softmax / sparse_categorical_crossentropy 활용 ># Reshaping of the dataset# 이미지 파일을 학습시키려면 28, 28 행열 데이터를 한행의 형태로 변환해 주어야 한다. + 그리고 이미지의 개수가 행개수로 전환되면서 우리가 학습시키는 데이터 프레임 형태가 되는것이다.# 총 784개의 컬럼을 가진 한행으로 변환해 주어야 하는데 이미 라이브러리로 생성되어있어서 활용하면 된다.# X_train을 예로들면 해당 함수로 변환을 했을경우 6만개의 이미지이므로 행은 6만 컬럼이 784개가 되는것 => Flatten()을 이용하여 학습가능한 형태로 효율적이게 학습시키는것이고 학습이 종료되면 최종적으로는 3차원 데이터로 학습이 되는것!!!28*28784 from ten..

Fashion-MNIST는 기계 학습 및 딥 러닝 연구를 위해 개발된 데이터셋 중 하나 카테고리: Fashion-MNIST는 10개의 카테고리로 구성되어 있습니다. 이 카테고리는 티셔츠, 바지, 스웨터, 드레스, 코트, 샌들, 셔츠, 운동화, 가방, 앵클 부츠 등의 의류와 액세서리를 포함합니다.이미지 크기: 모든 이미지는 28x28 픽셀의 흑백 이미지로 구성되어 있습니다. 각 픽셀 값은 0부터 255까지의 정수로 표현됩니다.데이터 분할: Fashion-MNIST는 60,000개의 훈련 이미지와 10,000개의 테스트 이미지로 구성되어 있습니다.Fashion-MNIST는 MNIST보다 조금 더 복잡하고 현실적인 문제를 모델링하기 위한 목적으로 설계됨.따라서 Fashion-MNIST는 이미지 분류, 특히 의..

# Auto MPG 데이터셋을 사용하여 1970년대 후반과 1980년대 초반의 자동차 연비를 예측하는 모델을 만듭니다.# 이 정보에는 실린더 수, 배기량, 마력(horsepower), 공차 중량 같은 속성이 포함됩니다.import pandas as pdimport numpy as npimport matplotlib.pyplot as plt# 구글 드라이브 마운트from google.colab import drivedrive.mount('/content/drive') Mounted at /content/drive# Working Directory 설정 # 파일은 auto-mpg.csv 입니다.df = pd.read_csv('/content/drive/MyDrive/Colab Notebooks/ML2/dat..

# PROBLEM STATEMENT # 다음과 같은 컬럼을 가지고 있는 데이터셋을 읽어서, 어떠한 고객이 있을때, 그 고객이 얼마정도의 차를 구매할 수 있을지를 예측하여, 그 사람에게 맞는 자동차를 보여주려 한다.Customer NameCustomer e-mailCountryGenderAgeAnnual SalaryCredit Card DebtNet Worth (순자산)# 예측하고자 하는 값 :Car Purchase AmountSTEP #0: 라이브러리 임포트 및 코랩 환경 설정import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as sns # csv 파일을 읽기 위해, 구글 드라이브 마운트 하시오from go..

# 금융상품 갱신 여부 예측하는 ANN# Churn_Modelling.csv 파일을 보면, 고객 정보와 해당 고객이 금융상품을 갱신했는지 안했는지의 여부에 대한 데이터가 있다.# 이 데이터를 가지고 갱신여부를 예측하는 딥러닝을 구성하시오.# 실습은 구글 Colab을 사용하여 진행한다. # Importing the librariesimport numpy as npimport matplotlib.pyplot as pltimport pandas as pdimport seaborn as sb # 데이터 불러오는 방법은 이전장에서 설명했던 방법중 내 구글 드라이브에 csv 파일을 갖다놓고, 코랩을 연경실키는 방법을 사용.from google.colab import drive drive.mount('/content..