Byte의 발자취

# 테슬라 주가 데이터를 다운받아서 Prophet을 활용하여 분석해 보자.# 출처 : https://www.nasdaq.com/market-activity/stocks/tsla/historicalimport pandas as pddf = pd.read_csv('/content/HistoricalData_1713768604457.csv')df.info() # 분석을 좀더 용이하게 하기위해 컬럼명을 간결하게 변경df.columns = ['Date','Close','Volume','Open','High','Low' ]df.columns Index(['Date', 'Close', 'Volume', 'Open', 'High', 'Low'], dtype='object') # 테슬라 데이터라는 구분을 위해 ID 컬럼..

STEP #0: PROBLEM STATEMENTThe Chicago Crime dataset : 2001 ~ 2017.Datasource: 캐글 https://www.kaggle.com/currie32/crimes-in-*chicago*Dataset contains the following columns:ID: Unique identifier for the record.Case Number: The Chicago Police Department RD Number (Records Division Number), which is unique to the incident.Date: Date when the incident occurred.Block: address where the incident occurr..

# 프롬펫(Prophet)은 Facebook에서 개발한 시계열 예측 라이브러리# Prophet은 시계열 데이터(타임 시리즈 데이터)를 예측하기 위한 강력하고 사용하기 쉬운 도구를 제공한다. 특히 Prophet은 비즈니스 및 금융 데이터와 같은 일반적으로 사용되는 시계열 데이터에 대한 예측을 중점적으로 다룬다. STEP #0: 데이터셋데이터는 미국의 아보카도 리테일 데이터 입니다. (2018년도 weekly 데이터)아보카도 거래량과 가격이 나와 있습니다.컬럼 설명 :Date - The date of the observationAveragePrice - the average price of a single avocadotype - conventional or organicyear - the yearRegio..

# 전이 학습(Transfer Learning)은 기계 학습에서 사용되는 기술 중 하나로, 한 작업에서 학습한 모델의 지식을 다른 관련 작업에 적용하는 것을 의미  # 세밀 조정(Fine-tuning)은 전이 학습의 한 형태로, 미리 학습된 모델을 가져온 후 일부 레이어의 가중치를 고정시키고 일부 레이어의 가중치만 업데이트하여 새로운 작업에 맞게 모델을 미세 조정하는 과정으로, 이를 통해 새로운 작업에 더 잘 맞는 모델을 얻을 수 있다. 개와 고양이 분류를, 이미 잘 만들어진 뉴널네트워크를 활용하여, 성능을 올려보자> Stage 1: Install dependencies and setting up GPU environment# 구글 Colab 실행시 우측 상단에 화살표를 눌러 런타임 유형을 변경할수 있다..

# 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..