hyeonae

군집 알고리즘 과일 사진들이 주어졌을 때, 머신러닝 모델은 자동으로 같은 과일의 이미지들끼리 분류할 수 있을까? 비지도 학습 타깃이 없는 문제에 대해 특성 데이터만을 가지고 학습시킬 수 있는 방법을 말한다. 군집 (6.2장) 차원 축소 (6.3장) 과일 사진 데이터 먼저 준비하기 아래 메소드로 과일 사진 데이터를 불러온다. # !로 시작하면 쉘 명령어 실행 !wget https://bit.ly/fruits_300_data -O fruits_300.npy 불러온 데이터는 넘파이 배열로 변환해서 학습에 사용할 수 있다. import numpy as np import matplotlib.pyplot as plt # 넘파이 배열로 변환 fruits = np.load('fruits_300.npy') # 100 *..

파일 할당(File Allocation) 파일을 디스크 공간에 어덯게 저장시킬 것인가. 디스크 상 빈 공간들은 어떻게 관리할 것인가. 디스크 = 블록들의 나열 파일 = 블록 여러개 연속 할당 (Contiguous Allocation) 디스크 상에서 연속된 다수개의 블록들을 동원해 파일을 저장하는 방법 간단함 순차처리에 좋은 성능을 보임 외부 단편화: 디스크 빈 공간 활용에 비효율적 -> 빈 공간의 통합 작업 요구 체인 할당 (Chained Allocation) 블록 크기만큼 나누어진 파일의 내용이 체인을 따라 차례로 저장되는 방법 비연속 할당: 블록들이 연속적일 필요가 없음 외부 단편화 X -> 공간 활용도가 우수함 흩어져 있는 각 블록에 대해 매..

결정 트리 알코올 농도, 당도, pH지수에 따라 레드 와인과 화이트 와인을 분류해보자. 양성 클래스(1)는 화이트 와인으로 간주한다. pandas 라이브러리의 info() 메소드로 각 열이 가지는 정보에 대해 먼저 살펴보자. Non-Null Count: 전체 데이터 중 각 열에 대해서 Null 값이 아닌 데이터의 개수 Dtype: 각 열에 저장된 값들의 타입 memory usage: 사용 중인 메모리 크기 describe()를 사용하면 각 열의 평균값, 표준편차, 최대값 등을 살펴볼 수 있다. 사이킷런의 LogisticRegression 클래스로 로지스틱 회귀를 사용할 수 있다. 결정 트리는 하나의 기준(당도가 2보다 작은가요?)에 따라 데이터셋을 두개로 분류(예: 레드 와인, 아니오: 화이트 와인)하는..

1. 적재 정책 실행에 필요한 페이지를 언제 메모리에 적재할 것인지 결정하는 정책이다. 1-1. 요구 적재 ( = 요구 페이징, Demand Fetch / Demand Paging) 페이지가 참조될 때 적재하는 기법 (대부분 요구 페이징을 사용한다.) 참조 시 페이지 부재일 경우, 이 페이지가 적재될 때까지 프로세스를 대기 상태로 만드는 문맥교환 발생 디스크와의 입출력 부담 발생 참고) 페이지 부재란? 메모리에 적재된 페이지 중에서 CPU가 요청한 페이지가 없을 때를 말한다. 1-2. 예측 적재 ( = 선 페이징, Anticipatory Fetch / Prepaging) 예측을 통해 참조될 가능성이 높다고 판단되는 페이지를 미리 적재하는 기법 예측이 잘 안 될 경우에는 예측을 위한 오버헤드와 참조되지 않..

[무료] 혼자 공부하는 머신러닝+딥러닝 - 인프런 | 강의 한빛미디어 혼공시리즈로 1:1 과외하듯이 배우는 초절정 머신러닝, 딥러닝 자습서, 수백 개의 손그림으로 이해하고 구글 코랩(Colab)을 통해 브라우저만 있으면 바로 실습 가능, - 강의 소개 | 인프 www.inflearn.com 로지스틱 회귀 럭키백 속의 물고기가 도미일 확률을 예측해보고자 한다. 길이, 높이, 두께, 대각선 길이, 무게까지 총 5개의 특성을 이용할 것이다. 위의 그림처럼 x의 이웃 샘플 10개 중에서 해당 객체가 몇 개 존재하는가에 따라 확률을 따질 수 있다. 가장 먼저 판다스 라이브러리로 csv 파일을 읽어오자. 판다스의 head 메소드는 읽어온 csv 파일을 테이블로 출력한다. 6개의 열 중에서 Species가 타깃 데이..

[무료] 혼자 공부하는 머신러닝+딥러닝 - 인프런 | 강의 한빛미디어 혼공시리즈로 1:1 과외하듯이 배우는 초절정 머신러닝, 딥러닝 자습서, 수백 개의 손그림으로 이해하고 구글 코랩(Colab)을 통해 브라우저만 있으면 바로 실습 가능, - 강의 소개 | 인프 www.inflearn.com K-최근접 이웃 회귀 이전 강의에서는 이진 분류를 다뤄보았다. 이진 분류의 target은 항상 0 또는 1의 값을 가진다. 이번 시간에 다룰 회귀(regression)란 둘 중 하나를 예측하는 것이 아니라 임의의 숫자를 예측하는 방법론이다. => 회귀의 target: 임의의 숫자 왼쪽의 그림은 이전에 다뤘던 k-최근접 이웃 분류이다. 근접한 클래스의 과반수에 따라 타겟의 클래스를 예측한다. 이번 시간에 다루는 k-최근..