공감생활

* 특이사항으로는 프로그래밍 실습 페이지가 들어가지지 않는다. 참고하길 바란다. 표현 머신러닝 모델은 입력 예를 직접적으로 보거나 듣거나 감지할 수 없습니다. 대신 데이터의 표현을 만들어 모델이 데이터의 핵심적인 특징을 들여다 볼 수 있는 유용한 관측 지점을 제공해야 합니다. 즉, 모델을 학습시키려면 데이터를 가장 잘 표현하는 특성 세트를 선택해야 합니다. 원시 데이터를 특성으로 변환 원리는 왼쪽에 있는 벡터의 각 요소를 오른쪽에 있는 특성 벡터의 하나 이상의 필드로 매핑하는 것입니다. 만약 'Main Street' 처럼 문자열이 있다면? 사전으로 각 거리 이름을 {0, ...,V-1} 범위의 정수에 매핑 이제 위의 원-핫 벡터를 로 표현 좋은 특성의 조건 특성 값은 데이터 세트에서 너무 적지 않은 일정..

검증: 직관력 테스트 이 모듈을 시작하기 전에 학습 및 테스트 세트에 제시된 학습 프로세스를 사용하는 데 문제점이 있는지 확인해 보시기 바랍니다. 아래 옵션을 확인하세요. 테스트 세트 및 학습 세트를 사용하여 모델 개발 반복 과정을 진행하는 프로세스를 살펴보았습니다. 각 반복 과정에서는 학습 데이터를 학습하고 테스트 데이터로 평가하면서 테스트 데이터에 대한 평가 결과를 근거로 학습률, 특성 등의 다양한 모델 초매개변수를 선택하고 변화를 줍니다. 이 접근법에 잘못된 점이 있나요? 정답을 하나만 고르세요. 이 방식은 연산 효율이 낮습니다. 기본 초매개변수 세트를 선택하고 그대로 사용하여 리소스를 절약해야 합니다. 이러한 유형의 반복 과정은 많은 리소스를 사용하지만 모델 개발에서 핵심적인 부분을 차지합니다. ..

일반화 일반화는 모델이 이를 만들기 위해 사용된 것과 같은 분포에서 추출된 이전에 보지 못했던 새로운 데이터에 제대로 적합할 수 있는지를 나타냅니다. 개요 목표: 숨겨진 실제 분포에서 추출된 새로운 데이터를 제대로 예측 문제: 진실을 알 수 없음 분포에서 추출된 샘플만 볼 수 있음 모델 h가 현재 샘플에 적합하면 다른 새로운 샘플도 잘 예측할 것이라고 신뢰할 수 있나요? 모델이 적합한지 어떻게 알 수 있나요? 이론적인 측면: 흥미로운 분야: 일반화 이론 모델의 단순성/복잡성 측정 아이디어를 기반으로 함 직관: 오컴의 면도날 원칙의 형식화 모델이 덜 복잡할수록 샘플 자체의 특성을 벗어나 좋은 경험적 결과를 얻을 가능성이 높음 경험적인 측면: 질문: 모델이 새로운 데이터 샘플에 효과적으로 작동하나요? 평가:..

* 특이사항으로는 TF 첫걸음의 동영상 강의가 들어가지지 않는다. 참고하길 바란다. 텐서플로우 첫걸음: 도구 다음 그림은 텐서플로우 도구함의 현재 계층구조를 보여 줍니다. 그림 1. 텐서플로우 도구함 계층구조 다음 표에는 여러 레이어의 목적이 요약되어 있습니다. 도구함 설명 에스티메이터(tf.estimator) 높은 수준의 OOP API tf.layers/tf.losses/tf.metrics 일반 모델 구성요소용 라이브러리 텐서플로우 낮은 수준의 API 텐서플로우는 다음 두 요소로 구성됩니다. 그래프 프로토콜 버퍼 분산된 그래프를 실행하는 런타임 이 두 구성요소는 자바 컴파일러 및 JVM과 유사합니다. JVM이 여러 하드웨어 플랫폼에서 구현되는 것과 마찬가지로 텐서플로우도 여러 CPU와 GPU에서 구현됩..

손실 줄이기 모델을 학습하려면 모델의 손실을 줄이기 위한 좋은 방법이 필요합니다. 반복 방식은 손실을 줄이는 데 사용되는 일반적인 방법 중 하나로 매우 간편하고 효율적입니다. 손실을 줄이는 방법 가중치와 편향에 대한 도함수 \( (y - y')^2 \)는 주어진 예제의 손실 변화 정도를 보여줍니다. 계산하기 간편하며 볼록 모양 손실을 최소화하는 방향으로 작은 보폭을 반복하여 취합니다. 이를 가리켜 기울기 보폭이라고 합니다.(하지만 실제로는 음의 기울기 보폭임). 이 최적화 전략을 경사하강법이라고 합니다. 손실 줄이기: 반복 방식 이전 모듈에서는 손실의 개념을 소개했습니다. 이 모듈에서는 머신러닝 모델이 반복을 통해 어떻게 손실을 줄이는지 알아보겠습니다. 반복 학습은 골무와 같이 숨겨진 물건을 찾는 아이들..