일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | |
7 | 8 | 9 | 10 | 11 | 12 | 13 |
14 | 15 | 16 | 17 | 18 | 19 | 20 |
21 | 22 | 23 | 24 | 25 | 26 | 27 |
28 | 29 | 30 | 31 |
- 회귀
- 재귀함수
- CLI
- PyTorch
- 코딩
- 선형회귀
- 알고리즘
- 머신러닝
- Linear
- 템플릿
- 주식매매
- 주식
- 딥러닝
- tensorflow
- 주식연습
- 게임
- DeepLearning
- 주가예측
- 추천시스템
- 코딩테스트
- python
- 파이썬
- 기초
- API
- 프로그래머스
- 가격맞히기
- 크롤링
- 연습
- 흐름도
- Regression
- Today
- Total
목록딥러닝 (23)
코딩걸음마
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/H2Chk/btrF5bf5Id4/NKTdFp3KKKzx0ydqcrut2k/img.png)
보스턴 집값예측 데이터로 DNN을 활용한 회귀식모델을 만들어봅시다. 1. 데이터 준비하기 import pandas as pd import seaborn as sns import matplotlib.pyplot as plt from sklearn.preprocessing import StandardScaler from sklearn.datasets import load_boston boston = load_boston() df = pd.DataFrame(boston.data, columns=boston.feature_names) df["TARGET"] = boston.target scaler = StandardScaler() scaler.fit(df.values[:, :-1]) df.values[:, :-..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/QwK9v/btrF3LbmzGJ/YTn12s5oqG7k1JhshZ1jcK/img.jpg)
이번엔 회귀모델이 아니라 텐서플로우를 활용하여 딥러닝 분류를 알아봅시다. 다음의 이미지를 봅시다. 사람은 이 그림이 5라는 것을 당연하게 빠르게 답변할 수 있습니다. 하지만 컴퓨터는 알아내지 못한다. 그렇다면 컴퓨터는 어떻게 보일까요? 컴퓨터는 하얀부분을 255 검은부분을 0이라는 규칙을 가지고 0~255사이의 값을 가진 Data로 표현됩니다. 즉 , 하나의 그림 안은 28개 열과, 28개 행의 Data 즉, 784개의 Data의 vector(지금은 Matrix)라고 표현할 수 있습니다. 1. 데이터 준비 우선 data를 불러옵시다. import tensorflow as tf from tensorflow.keras import datasets, models, layers, utils, losses imp..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/y2lMn/btrFZkKRpx7/3tJrDoeefhMP1IZVbwhyv1/img.jpg)
딥러닝 기법을 다루기 위한 텐서플로우 기초를 다뤄보기 위해 tf.version 1부터 알아보자 import tensorflow.compat.v1 as tf #compatablity tf.disable_v2_behavior() import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn import datasets tf.add(a, b) 는 a+b를 출력하는 함수입니다. a =tf.add(3,5) a 그럼 다음 코드의 결과를 봅시다. 3 + 5 의 결과로 0을 반환했습니다 왜 그러는걸까요? 연산만 입력을 했지, 가동(run)하지 않았기 때문입니다 tf.Session 클래스의 객체로 sess를 선언하고 실행시켜봅시다. ..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/XQH5U/btrFLC0wfns/NMCovR7CQJ9OdutESzDNrK/img.png)
1. Data 불러오기 import pandas as pd import seaborn as sns import matplotlib.pyplot as plt 로지스틱회귀에 사용할 sample은 유명한 유방암 예측입니다. from sklearn.datasets import load_breast_cancer cancer = load_breast_cancer() print(cancer.DESCR) 2. Data 확인하기 .. _breast_cancer_dataset: Breast cancer wisconsin (diagnostic) dataset -------------------------------------------- **Data Set Characteristics:** :Number of Instanc..