Scipy 기반 머신러닝 스터디 소개Scipy를 기반으로 머신러닝 모델 구축회귀(regression), 분류(classification), 클러스터링(clustering) 문제 해결모델 평가 방법 학습주요 라이브러리 소개1. Scipy수학, 과학, 엔지니어링을 위한 라이브러리버전: 1.4.12. NumpyScipy 기반의 배열 데이터 처리 라이브러리버전: 1.17.33. Matplotlib데이터 시각화 및 그래프 플로팅 라이브러리버전: 3.1.34. Pandas데이터 분석 라이브러리버전: 1.2.3주요 라이브러리를 활용하여 머신러닝 알고리즘 학습실제 데이터에 적용하며 실습 진행

Paper Info논문 제목 : "Very Deep Convolutional Networks for Large-Scale Image Recognition"저자 : Karen Simonyan, Andrew Zisserman연도 : 2014paper : https://arxiv.org/pdf/1409.1556:: Background VGGNet은 매우 깊은 네트워크 구조를 제안하며, 단순한 3x3 convolution filter를 쌓아 깊이 있는 model을 만드는 방식으로 성능을 향상시켰다.0. Abstarct very small(3x3) convolution filters architecture를 사용해서 incresing depth network 평가, depth를 16~19개의 weight Laye..

Paper Info논문 제목 : "ImageNet Classification with Deep ConvolutionalNeural Networks"저자 : Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hiniton연도 : 2012paper : https://proceedings.neurips.cc/paper_files/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf:: Background AlexNet은 2012년 ImageNet 대회에서 압도적인 성능을 기록하며 CNN의 부활을 이끈 논문이다. ReLU 활성화 함수, 드롭아웃, GPU 사용 등의 혁신적인 기술을 도입했다.0. Abstarct ImageNet LS..

Paper Info논문 제목 : "Gradient-Based Learning Applied to Document Recognition"저자 : LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W., & Jackel, L. D.연도 :1989paper : http://vision.stanford.edu/cs598_spring07/papers/Lecun98.pdf:: Background LeNet-5는 손글씨 숫자 인식 문제를 해결하기 위해 제안된 최초의 CNN 모델 중 하나. 이 모델은 MNIST 데이터셋에서 높은 성능을 보여주며, CNN의 효용성을 입증했다.1. LeNet-5 ArchitectureInput : 32x..

Chapter 17에서는 * residual forecast error와 forecast bias를 포함한 forecast performace의 기본 측정 * MAE(mean absolute error)와 같은 방법을 통한 forecast error calculations * MAE 및 RMSE와 같은 널리 사용되는 오차 계산 방법 Forecast Error (or Residual Forecast Error) * forecast error = expected value − predicted value * 0인 값은 error가 없는 것이다. * 따라서, 0에서 멀어지는 값일 수록 좋지 않은 값이다. # calculate forecast error expected = [0.0, 0.5, 0.0, 0.5, ..

Chapter 16에서는 * machine learning model을 평가하는 방법의 한계와 sample data에서 model을 평가해야하는 이유 * model 평가를 위해 time series data의 train-test split 및 multiple train-test split을 만드는 방법 * walk-forward 유효성 검사가 time series에 대한 machine learning model의 평가를 제공하는 방법에 대해 배운다. Model Evaluation * time series forecasting을 위해 model을 평가할 때, model training을 하는 데 사용하지 않은 data에 대한 model 성능에 관심이 있다. * 이것을 sample data라고 부른다. * ..

Chapter 15에서는 * line-plot을 사용하여 stationary 및 non-stationary time series를 식별하는 방법 * 시간에 따른 변화에 대한 평균 및 분산과 같은 요약 통계를 확인하는 방법 * time series가 stationary한 지 확인하기 위해 통계적으로 유의한 테스트를 사용하는 방법에 대해 배운다. Stationary Time Series * stationary하다는 말은 time series가 시간에 의존하지 않는다는 말이다. * time series가 trend, seasonal effect가 없는 경우 stationary하다. * 아래의 예제는 일별 여성 출생수에 대한 dataset이다. # load time series data from pandas i..

Chapter 14에서는 * Time Series의 seasonality 정의 및 machine learning method을 통한 예측에 제공되는 방법 * difference method를 사용하여 season별로 조정된 일일 온도 데이터의 time series 만드는 방법 * seasonal component를 직접 modeling하고 관측치에서 빼는 방법 Seasonality in Time Series * Time Series에는 seasonal variation이 포함될 수 있다. * seasonal variation or seasonality는 시간이 지남에 따라 반복되는 주기이다. Benefits to Machine Learning * Time Series의 seasonal component를..