실습1 기울기와 절편 # 실습에 필요한 패키지입니다. 수정하지 마세요. import elice_utils import matplotlib as mpl mpl.use("Agg") import matplotlib.pyplot as plt import numpy as np eu = elice_utils.EliceUtils() # 실습에 필요한 데이터입니다. 수정하지마세요. X = [8.70153760, 3.90825773, 1.89362433, 3.28730045, 7.39333004, 2.98984649, 2.25757240, 9.84450732, 9.94589513, 5.48321616] Y = [5.64413093, 3.75876583, 3.87233310, 4.40990425, 6.43845020, 4..

import numpy as np def main(): print(matrix_tutorial()) def matrix_tutorial(): A = [ [1,4,5,8], [2,1,7,3], [5,4,5,9] ] print(np.array(A)) return A if __name__ == "__main__": main() 실습1 Numpy 행렬 실습2 Numpy 산술연산자 import numpy as np def main(): print(matrix_tutorial()) def matrix_tutorial(): A = np.array([[1,4,5,8], [2,1,7,3], [5,4,5,9]]) A = A / np.sum(A) # 합이 1이 되도록 normalization return np.var(A) ..

기상 정보(구름양, 풍속)을 활용해 해당 공항의 연착 여부를 예측하기 ( No, Yes ) 분류 : 주어진 입력값이 어떤 클래스에 속할지에 대한 결과값을 도출하는 알고리즘 일반적인 회귀 알고리즘은 분류 문제에 사용할 수 없다. -> 해당 클래스에 속할 확룔인 0 또는 1 사이의 값만 내보낼 수 있도록 선형 회귀 알고리즘을 수정한다. 로지스틱 회귀(Logistic Regression) : 분류 문제에 적용하기 위해 출력값의 범위를 수정한 회귀 주로 이진 분류 문제를 해결하기 위한 모델, 최소값0 최대값1로 결과값을 수렴시키기 위해 Sigmoid(logistic) 함수를 사용함 Sigmoid 함수 결정 경계 : 데이터를 분류하는 기준값, 일반적으로 출력값 0.5를 기준으로 실습 1 로지스틱 회귀 import..

01 회귀 개념 머신러닝 분야 구조 회귀 분석이란 Loss function을 최소로 만드는 Gradient Descent(최적의 B0, B1를 찾는 알고리즘)를 통해 데이터를 가장 잘 선명하는 선을 찾아 입력값에 따른 미래 결과값을 예측하는 알고리즘 각 데이터의 실제 값과 모델이 예측하는 값의 차이를 최소한으로 해야 한다. |pred - 실제값|의 (제곱) 오차를 최소로 -> Loss function을 최소로 만드는 B0, B1을 구하자 -> Gradient Descent(최적의 B0, B1를 찾는 알고리즘) 실습 1 선형 회귀분석 import numpy as np import matplotlib.pyplot as plt from elice_utils import EliceUtils elice_utils..