Data Science LAB

1. CNN 이란? : 딥러닝의 가장 대표적인 방법으로 주로 이미지 인식에 많이 사용됨, 기본적인 아이디어는 이미지를 작은 특징에서 복잡한 특징으로 추상화하는 것 인간의 시신경 구조를 모방한 기술 특징맵을 생성하는 필터까지도 학습이 가능해 비전 (vision) 분야에서 성능이 우수함 이미지를 인식하기 위해 패턴을 찾는데 특히 유용 데이터를 직접 학습하고 패턴을 사용해 이미지 분류 이미지의 공간 정보를 유지한 채 학습을 하게 하는 모델 (2D 그대로 작업) 사람이 여러 데이터를 보고 기억한 후에 무엇인 지 맞추는 것과 유사함 2. CNN 구조 Fully Connected Layer 만으로 구성된 인공신경망의 입력데이터는 1차원 배열 형태로 한정된다. 한 장이 컬러 사진은 3차원 데이터이다. 배치 모드에 사..

기존의 Gradient Vanishing, Exploding 문제를 해결하기 위해서는 새로운 활성화 함수를 찾거나 가중치를 초기화하는 방법을 사용 -> 훈련하는 동안 다시 발생하지 않으리란 보장 ❌ 이에 2015년 세르게이 이오페와 치리슈티언 세게지가 배치정규화 기법 제안 - Batch Normalization - Batch : 신경망 학습 시 보통 전체 데이터를 작은 단위로 분할하여 학습을 진행하는데, 이 때 사용되는 단위 - Batch Normalization : 배치 단위로 정규화함 각 층에서 활성화 함수를 통과하기 전이나 후에 모델에 연산을 하나 추가 이 연산은 단순하게 입력을 원점에 맞추고 정규화한 다음, 각 층에서 두 개의 새로운 파라미터로 결괏값의 스케일을 조정하고 이동시킴 신경망의 첫 번째..

1. 딥러닝에서 자주 쓰이는 코드 super().__init__() super(ClassName, self).__init__() super().__init__(**kwargs) super(ClassName, self).__init__(**kwargs) 2. 사용 예시 class Parent(): def __init__(self): print("Parent init") self.parentHi = "부모 클래스" class Child(Parent): def __init__(self): super().__init__() print("Child init") self.childHi = "자식 클래스" child = Child() print(child.childHi) print(child.parentHi) # P..

Sequential 모델을 생성하여 순차적으로 원하는 레이어를 쌓아서 생성할 수 있음 순서대로 연결된 층을 일렬로 쌓아서 구성 - 파이썬 구현 (MNIST데이터셋 적용) model = keras.models.Sequential() model.add(keras.layers.Flatten(input_shape = [28,28])) # 입력이미지를 1D 배열로 변환 model.add(keras.layers.Dense(300, activation='relu')) # 뉴런 300개를 가진 Dense 은닉층 추가 model.add(keras.layers.Dense(100, activation='relu')) model.add(keras.layers.Dense(10, activation='softmax')) # 뉴런..

- 신경망의 구조 출력층은 신경망의 출력(output)의 구조를 설계하는 것이다. 기계학습에서는 크게 회귀와 분류 문제를 다룬다. 신경망은 이 둘 모두에 이용 가능하다. - 분류 : 데이터가 어느 클래스에 속하느냐의 문제 => 소프트 맥스 함수 - 회귀 : 입력 데이터에서 연속적인 수치를 예측 => 항등 함수 1. 항등 함수 (identity function) : 입력을 그대로 출력 (입력과 출력이 항상 같음), 회귀에서 사용 2. 소프트 맥스 함수 (Softmax) : 정규화된 자연상수 함수로 분류에 사용 (데이터를 특정 범위로 변환) n은 출력층의 뉴런 수, yk는 그 중 k번째 출력을 의미함 분자는 입력신호 ak의 지수 함수, 분모는 지수 함수의 합으로 구성 출력층의 각 뉴런이 모든 입력 신호에서 ..

1. 활성화 함수(Activation Function) 의미 딥러닝 네트워크에서 노드에 입력된 값들을 비선형 함수에 통과시킨 후 다음 레이어로 전달하는데, 이 때 사용하는 함수를 의미한다. 선형 함수가 아닌 비선형 함수를 사용하는 이유는 딥러닝 모델의 레이어 층을 깊게 가져갈 수 있기 때문이다. 활성화 함수는 입력 신호와 편향의 총합을 계산하여 다음 레이어로 어떻게 출력할 지를 결정한다. 이때 설정한 임계값을 경계로 출력값이 바뀌게 된다. 2. 활성화 함수의 종류 1 ) Sigmoid - Logistic 함수라고 불리기도 하며 x의 값에 따라 0~1 사이의 값을 출력하는 함수이다. - 파이썬 구현 def sigmoid(x): return 1 / (1 + np.exp(-x)) - sigmoid 특징 - 음..