1. 학습 속도 문제 ( 최적화 알고리즘 ) - 전체 학습 데이터셋을 사용해 손실함수를 계산하기 떄문에 계산량이 너무 많아짐 -> 부분데이터만 활용해서 손실함수를 계산하자(SGD) 그러나 SGD도 한계가 있긴 하다. 그래서 최적화 알고리즘이 GD -> SGD, momentum, adagrad, RMSProp, adam 등 여러 알고리즘들이 등장했다. momentum : 과거에 이동했던 방식을 기억하면서 그 방향으로 일정 정도를 추가적으로 이동하는 방식 adagrad : 많이 변화하지 않은 변수는 learning rate를 크게하고, 많이 변화한 변수들은 leargnin rate를 작게 하는 것 RMSProp : 기억을 하긴 하는데 과거의 기울기는 잊고 최근 기울기 정보를 크게 반영 adam : 가장 최근..

https://bek9.notion.site/VM-25274e65dd584be7b1dcce809e219a89 VM 배포 방법 이 과정은 Ubuntu 18.04-LTS를 사용하는 Azure VM(B1ls)에서 진행되었습니다. bek9.notion.site + 추가 team06에서

텐서 : 다차원 배열 플로우 : 데이터의 흐름 텐서플로우 version1은 그래프 및 세션 생성이 필요했다. 텐서플로우 version2는 즉시실행이 가능해서 계산그래프, 세션 생성 없이 실행이 가능하다. 텐서 데이터 생성(numpy와 비슷하게 상수,시퀀스,난수,변수 등을 텐서형으로 생성하는 연산..) 텐서플로우로 딥러닝 모델 구현하기 - 데이터셋 준비하기 - 딥러닝 모델 구축하기 - 모델 학습시키기 - 평가 및 예측 epoch : 한번 학습을 완료한 상태 batch : 나눠진 데이터 셋 iteration : epoch를 나누어서 실행하는 횟수를 의미 import tensorflow as tf import matplotlib.pyplot as plt import matplotlib as mpl import..

인공 신경망 : 생물학의 신경망에서 영감을 얻은 학습 알고리즘 사람의 신경 시스템을 모방한다. 퍼셉트론 퍼셉트론 한개 : 데이터값input, 웨이트를 가지고 합으로 표현하고 비선형함수를 거쳐서 output을 낸다. 실습 1 퍼셉트론 선형 분류기 AND, OR, NOR, XOR 등 논리게이트들이 있다. XOR를 빼고 나머지 게이트들은 single layer perceptron(선형분류기)로 분류할 수 있다. 그러나 XOR는 불가능하다. 비선형적인 문제 XOR 다층 퍼셉트론 hidden layer : 입력층과 출력층 사이의 모든 layer 히든 층이 3층정도 이상일 때 Deep learning이라고 한다.

#1 Numpy 배열 성분 import numpy as np def solution(): prime = [2, 3, 5, 7, 11] # 소수(prime number)를 기반으로 2차원 배열을 생성해보세요. matrix = np.array(prime) # 배열 matrix의 대각(diagonal) 성분을 추출해보세요. matrix_dia = np.diag(matrix,k=0) print(matrix_dia) # 대각 성분의 합과 평균을 구해보세요. dia_sum = np.sum(matrix_dia) dia_mean = np.mean(matrix_dia) return matrix, dia_sum, dia_mean #출력을 위한 함수입니다. def print_answer(**kwargs): for key i..

실습1 유방암검사키트 def main(): sensitivity = float(input()) prior_prob = float(input()) false_alarm = float(input()) print("%.2lf%%" % (100 * mammogram_test(sensitivity, prior_prob, false_alarm))) def mammogram_test(sensitivity, prior_prob, false_alarm): p_a1_b1 = sensitivity # p(A = 1 | B = 1) p_b1 = prior_prob # p(B = 1) p_b0 = 1 - p_b1 # p(B = 0) p_a1_b0 = false_alarm # p(A = 1|B = 0) p_a1 = p_a1_b0..