티스토리

성지우의 블로그

검색하기

블로그 홈

성지우의 블로그

hiji1023.tistory.com/m

성지우 님의 블로그입니다.

구독자: 0

방명록 방문하기

주요 글 목록

VCS, Git의 기본작동원리 버전관리시스템 (VCS; Version Control System) 파일 변화를 시간에 따라 기록했다가 나중에 특정 시점의 버전을 다시 꺼내올 수 있는 시스템 VCS를 사용하면 각 파일을 이전 상태로 되돌릴 수 있고 시간에 따라 수정내용을 비교해 볼 수 있고, 파일을 잘 못 고쳤을 때 도 쉽게 복구할 수 있다 로컬 버전 관리 버전관리 프로그램의 1세대 파일들을 로컬 저장소에서 변경이력을 관리 협업이 매우 힘듬 중앙집중식 버전 관리 (CVCS) 파일을 관리하는 서버가 별도로 있고 클라이언트가 중앙서버에서 파일을 받아(check out) 사용가능 관리자가 프로젝트에 참여한 사람 중 누가 무엇을 하는지 관리하기 쉬움 중앙서버에 문제 발생하여 다운될 경우 협업 및 백업 불가능 하드디스크에 문제 생기면 모든 히스.. 공감수 0 댓글수 0 2024. 2. 22.
K-Nearest Neighbors K-Nearest Neighbors (KNN) 최근접이웃 알고리즘 현재 데이터와 가장 가까운 k개의 데이터를 찾아서 가장 많은 분류값으로 분류하는 알고리즘 k개의 가장 가까운 이웃 데이터에 의해 예측된다는 의미 instance-based learning으로 내부 모델을 구성하지 않고 단순히 훈련데이터의 인스턴스를 저장 분류는 각 포인트의 가장 가까운 이웃의 단순 과반수 투표로 계산됨 k 값에 따라 분류가 달라질 수 있다는 점이 특징 위 그림의 경우 가장 가까운 3개의 기존 데이터의 분류를 살펴본 결과, B분류가 2개, A분류가 1개이므로 새로운 데이터는 B분류로 할당 동작원리 전처리 원핫인코딩 거리기반 계산을 활용한 알고리즘이기에 명목형 변수를 수치형 변수로 변형해줘야함 선형회귀나 로지스틱 회귀에선 다중.. 공감수 0 댓글수 0 2024. 2. 20.
XGBoost XGBoost : A Scalable Tree Boodsting System을 읽고 참고하여 작성 XGBoost eXtreme Gradient Boosting gradient boosting은 이전 학습기의 결과를 이어받아 순차적으로 학습하기에 시간이 많이 걸리는 게 단점 속도와 정확도면에서 개선한 모델 기존 Gradient Tree Boosting 알고리즘에 과적합 방지를 위한 기법이 추가된 지도학습 알고리즘 기본학습기를 decision tree로 하며 gradient boosting과 같이 잔차를 이용하여 이전 모형의 약점을 보완하는 방식으로 학습 손실함수가 최대한 감소하도록 하는 분할점(split point)를 찾는 모델 Regression, Classification 모두 지원 트리부스팅 방식에 .. 공감수 0 댓글수 0 2024. 2. 18.
ExtraTrees Extratrees Decision Tree를 기반으로 한 앙상블 학습방법 극도로 무작위화된 기계학습방법 Bootstrap을 사용하지않음 즉, 각 결정트리를 만들어낼 때 전체 훈련세트를 사용하는 것으로 분할할 때 가장 좋은 분할을 찾는 것이 아닌 무작위로 분할한다는 것 데이터 샘플 수와 특성 설정까지 랜덤 결정트리에서 특성을 무작위로 분할하게 되면 성능은 낮아진다는 단점있으나 많은 트리를 앙상블하기때문에 오버피팅을 막고 검증세트의 점수를 높이는 효과가 있다 랜덤포레스트와 차이 bootstrap을 사용하지 않음 - 전체 특성 중 일부를 랜덤하게 선택해 노드분할 결정트리를 만들어 낼 때 훈련세트 전체를 사용하기 때문에 baggin이라 할 수 없음 랜덤포레스트는 주어진 모든 특성에 대한 정보이득을 계산하고 가.. 공감수 0 댓글수 0 2024. 2. 18.
RandomForest Random Forest 등장배경 : 의사결정트리의 과적합을 해결책으로 제안됨 -> 모든 feature들을 기반으로 트리를 만들어 가지가 많아져 오버피팅됨 랜덤포레스트는 의사결정나무를 배깅방식으로 만든 알고리즘 * 배깅 (Bagging) : 같은 알고리즘을 사용하되 데이터를 무작위로 추출해 다양한 서브 데이터셋을 생성하고 이들을 병렬적으로 학습한 결과를 다수결이나 평균으로 결정하는 것 랜덤포레스트는 다수의 분류트리로 구성 각 트리들의 성장과정 원본 데이터에서 무작위로 N개의 사례를 샘플링 - 트리의 훈련세트가 됨 m 오류율이 최소화되는 m의 최적 범위가 있다 => oob (out of bag)오류율을 사용해 결정할 수 있다 특징 정확성 확장성 고차원성 : 피쳐엔지니어링 없이 수천개의 입력변수를 처리할 수.. 공감수 0 댓글수 0 2024. 2. 17.
Decision Tree Decision Tree 의사결정트리 일련의 분류 규칙을 통해 데이터를 분류, 회귀하는 지도학습모델 중 하나 전체 자료를 몇개의 소집단으로 분류하거나 예측을 수행하는 분석방법 상위 노드로부터 하위 노드로 트리구조를 형성하는 매 단계마다 분류 변수와 분류 기준값의 선택이 중요 분류변수와 분류기준값은 하위노드에서 노드 내에서는 동질성이, 노드 간에는 이질성이 가장 커지도록 선택됨 뿌리노드(root node) : 분류/예측대상이 되는 모든 자료집단 잎노드(leaf node) : 각 입력변수들이 루트노드로부터 잎 노드로 이어지는 경로에 해당되는 값들을 가질때의 목표변수값에 해당, 가장 맨 밑에 있는 노드 (terminal node) 분기 : 두가지로 나뉘는 부분 결정노트 : 나뉘어 내려가는 선들 가지분할(spl.. 공감수 0 댓글수 0 2024. 2. 17.
LightGBM LightGBM: A Highly Efficient Gradient Boosting Decision Tree 논문을 참고하여 작성 LightGBM XGBoost의 장점은 계승하고 단점은 보완하는 방식으로 개발된 부스팅 모델 트리기반 학습알고리즘을 사용하는 gradient boosting framework GBDT + GOSS + EFB = LightGBM 배경 GBDT의 계산복잡성은 feature와 instance의 수에 비례 handing big data할때 매우 많은 시간이 소요되는 것을 해결하기 위해 등장 solution 1 : to reduce the number of features, instance -> 그러나 쉽지않음 solution 2 : data를 weight따라 sampling해 속도를.. 공감수 0 댓글수 0 2024. 2. 12.
GBM Gradient Descent 경사하강법 기울기를 줄여나감으로써 오류를 최소화하는 방법 실제값과 모델의 예측값 차이에 따른 오류값 = 잔차 (Residual) 손실함수 (loss fuction) = 잔차의 제곱합 (RSS : Residual Sum of Square) 손실함수를 지속적으로 감소시켜 최종적으로 더이상 감소하지 않는 최소의 오류값을 구하는 방향으로 학습이뤄짐 손실함수에 미분을 적용한 뒤 미분값이 계속 감소하는 방향으로 파라미터 w를 조정하다 더이상 감소하지 않응 지점을 최소인 지점으로 간주하고 파라미터w를 반복 GBM Gradient Boosting Machine 다른 부스팅모델과 같이 약한 학습기를 결합해 강한 학습기를 만든다 AdaBoost는 오답에 가중치 부여하여 학습, GBM은 잔차(.. 공감수 0 댓글수 0 2024. 2. 12.
Boosting,AdaBoost Boosting 이전 모델이 제대로 예측하지 못한 데이터에 대해 가중치를 부여하여 다음 모델이 학습과 예측을 진행하는 방법 실제값이 20일때 모델1이 15를 예측하면 모델2는 오차값 5를 데이터셋으로 사용하여 예측값을 내놓고 모델3은 모델2의 오차값을 데이터셋으로 사용하는 과정이 오차가 없을때까지 반복하여 예측값의 총합을 통해 최종 예측값을 산출 이전 분류기의 학습결과를 토대로 다음 분류기의 학습데이터의 샘플 가중치를 조정해 학습을 진행 -> 오답에 높은 가중치를 부여해 정확도는 높으나 outlier에 취약할 수 있다 배깅에 비해 성능이 좋지만 속도가 느리고 과적합 발생가능성이 있다 1번 weak learner로 학습 후 생긴 error를 반영해 다음 데이터 샘플링과 2번 weak learner를 학습시.. 공감수 0 댓글수 0 2024. 2. 11.
Bagging Bagging Boostrap Aggregting 주어진 data에서 여러개의 boostrap을 생성하고 각 boostrap에 예측 모형을 만든 후 결합해 최종 예측모형을 만드는 방법 샘플을 여러번 뽑아(boostrap) 각 모델을 학습시킨 다음 결과물을 집계(aggregation)하는 방법 categorical data 일 경우 voting방법으로 집계 - 전체 모델에서 예측한 값 중 가장 많은 값을 최종 예측값으로 선정한다는 것 continuous data 일 경우 평균으로 집계 - 각각의 결정트리모델이 예측한 값에 평균을 취해 최종 예측값을 결정 학습데이터가 충분하지 않더라도 충분한 학습효과를 낼 수 있다. -> 높은 bias의 underfitting문제나 높은 variance overfitting.. 공감수 0 댓글수 0 2024. 2. 10.
Voting Ensemble Learning 학습 알고리즘들을 따로 쓰는 경우에 비해 더 좋은 예측 성능을 얻기위해 다수의 학습 알고리즘을 사용하는 방법 여러개의 분류기를 생성하고 그 예측을 결합함으로써 보다 정확한 예측을 도출하는 기법 weak classifier들을 결합해 strong classifier로 만드는 것 특징 여러 모델들을 결합함으로서 단일모델들의 약점을 보완하는 방식 -> 뛰어난 성능을 가진 모델로만 구성하는 것보다 성능이 떨어지더라도 서로 다른 유형의 모델을 섞는 것이 전체 성능향상에 도움이 될 수 있 Decision tree에서 overfitting되는 문제를 감소시킴 유형 : voting, bagging, boosting, stacking Voting 하나의 데이터셋에 여러개의 알고리즘을 사용.. 공감수 0 댓글수 0 2024. 2. 10.
Cross Validation Cross Validation (교차검증) 주어진 데이터셋에 학습된 알고리즘이 얼마나 잘 일반화되어있는지 평가하기 위한 방법 일반적으로 train / test set으로 나눠 모델을 검증 (Holdout method) -> 고정된 test set을 통해 모델의 성능을 검증하고 수정하는 과정을 반복하면 결국 test set에만 잘 동작하는 모델이 됨 즉, test set에 과적합하게 되므로 다른 데이터를 가져와 수행하면 결과가 나쁠 수 있음 >> 해결책 : Cross Validation = train set을 train set + validation set으로 분리한 후 validation set을 사용해 검증하는 방법 ▶ Validation set은 학습에 영향을 미치는가? 학습 모델은 가중치를 업데이트.. 공감수 0 댓글수 0 2024. 2. 2.
Hyper Parameter Parameter 매개변수 모델 내부에서 결정되는 변수, 데이터로부터 결정 사용자에 의해 조정되지 않음 ex) 정규분포의 평균, 표준편차, 가중치, 편향 Hyper Parameter 초매개변수 모델링할때 사용자가 직접 세팅해주는 값 ex ) learning rate나 SVM에서 C값 등 => 구분기준 : 사용자가 직접 설정하느냐 아니냐의 차이 하이퍼 파라미터 튜닝이 필요한 이유 모델의 성능을 향상시키기 위함 -> 예를 들어 모델의 학습 속도를 하이퍼파라미터로 사용한다 가정, 값이 너무 높으면 모델이 차선의 결과로 너무 빨리 수렴할 수 있다. 반면 너무 낮으면 훈련이 너무 오래 걸려 결과가 수렴되지 않을 수 있다. => 적절하고 균형있게 선택하면 정확한 모델과 우수한 성능을 얻을 수 있다. 하이퍼파라미터 .. 공감수 0 댓글수 0 2024. 1. 28.
Tuning The Hyper Parameter - RandomizedSearchCV Hyper Parameter Tunning 만드는 모델의 최고 성능을 내기 위해 수행하는 것 RandomizedSearchCV 하이퍼 파라미터 튜닝방법 중 하나 GridSearchCV의 단점들을 조금 보완하고자 나온 방법 검증하려는 하이퍼 파라미터들의 값 범위를 지정해주면 무작위로 값을 지정해 그 조합을 모두 검증 파라미터의 범위를 선정하고 값을 랜덤으로 설정하여 파라미터를 조합하고 평가하는 방식 GridSearchCV와의 차이 GridSearchCV와 방식은 유사하나 근사 최적값을 빨리 찾을 수 있음 => 몇 번의 학습과 평가를 반복할 것인지 시도의 수를 직접 정하기 때문 격자 형식의 GridSearchCV와 다르게 그 사이값들도 랜덤으로 탐색할 수 있기 때문에 그 안에서 더 좋은 값을 찾을 수 있다는.. 공감수 0 댓글수 0 2024. 1. 28.
Tuning The Hyper Parameter - GridSearchCV Hyper Parameter 사용자의 입력값 우리가 설정 가능한 입력값 사용할 데이터에 따라 가장 적합한 모델, 그 모델의 하이퍼 파라미터 값이 다름 -> 데이터마다 파라미터 입력값을 하나하나 찾아줘야함 => 하이퍼 파라미터 튜닝 # 직접 입력값을 하나하나 넣고 결과를 도출해보기 전까지 어떤 입력값이 좋을지 전혀 예측할 수 없음 GridSearchCV 교차검증 + 하이퍼 파리미터 튜닝 머신러닝에서 모델의 성능향상을 위해 쓰이는 기법 중 하나 사용자가 직접 모델의 하이퍼 파라미터의 값을 리스트로 입력하면 값에 대한 경우의 수마다 예측성능을 측정평가하여 비교하면서 최적의 하이퍼 파라미터 값을 찾는 과정을 진행 => 검증하고 싶은 하이퍼 파라미터들의 수치를 정해주고 그 조합을 모두 검증, 실험하려는 하이퍼파라.. 공감수 0 댓글수 0 2024. 1. 28.
Optimization 목차 Optimization 어떤 objective function(대상이 되는 함수)의 함숫값을 최적화(최대/최소화)시키는 parameter조합을 찾는 문제 최대화 : 소요시간,비용인 경우 / 최소화 : 성능,이윤인 경우 Output이 목표로 하는 타겟값과 가까워지도록 loss function을 설정하고 error가 줄어드는 방향으로 학습시키기위해 1) 각 weight와 gradient값을 계산 2) 앞의 값들을 이용해 weight를 다시 설정 1),2)를 반복하며 최적의 weight값을 갖는 모델을 찾아내는 과정 Optimizer Loss의 최솟값을 찾아가는 알고리즘 - 학습속도를 빠르고 안정적이게 하는 것이 목표 Optimizer 종류 1. Gradient Descent (경사하강법) 가장 기본적이.. 공감수 0 댓글수 1 2023. 10. 3.
ADsP 시험후기 빅분기 떨어지고 공부한게 아까워서 ADsP시험 보고왔습니당. 저는 37회차 응시했습니다 신도림중학교에서 봤어요!! 고사장은 쾌적했습니당 공부는 민트책으로 유명한 데이터에듀 책 사서 했습니다 빅분기 떨어지고 분노에 차서 ADP까지 따버리겠다는 욕심에 그만.. 이 책사서 공부했어요 ㅋㅋㅋ 저처럼 이 책 구매하셔서 공부하실 분은 ADsP 시험 범위 잘 체크해서 공부하시며 됩니다!! 후 시험 한달 잡고 공부하려 했으나 중간 중간 하기 싫은 날 빼고, 약속있는 날 빼고 자소서 쓰는 날 등등 핑계를 대다보니 실 공부기간은 2주,,,?정도 였어요. ㅋㅋ그것도 하루에 3시간 안팍으로.. 저 책을 겨우 1회독하고 시험봤습니다... 제 인생에 3회독은 없나봐요 암턴!! 그래도 빅분기랑 내용이 많이 겹쳐서 이해는 어렵지 않.. 공감수 0 댓글수 0 2023. 7. 4.
Jacobian 필기 공감수 0 댓글수 0 2023. 7. 4.
Tensorflow_Keras_Tutorial Keras Tensorflow위에서 동작하는 라이브러리 -> 사용자 친화적으로 개발되어 사용이 편해 필요함 간단한 신경망의 경우 몇줄만으로 만들 수 있음 사용자가 Tensorflow를 좀 더 쉽고 편하게 사용할 수 있게 해주는 high level API를 제공 Tensorflow 구글에서 만든 딥러닝 프로그램을 쉽게 구현할 수 있도록 다양한 기능을 제공해주는 라이브러리 TensorBoard (브라우저에서 실행가능한 시각화 도구)를 제공 -> 딥러닝 학습 과정 추적하는데 유용 Tensor형태의 data들이 모델을 구성하는 연산들의 그래프를 따라 흐르면서 연산이 일어남 (Flow) Keras사용보다 훨씬 더 디테일한 조작이 가능 Tensor 데이터의 배열 배열의 집합 array와 matrix와 매우 유사한 .. 공감수 0 댓글수 0 2023. 4. 25.
Pytorch_Tutorial Pytorch 파이썬에서 제공되는 딥러닝 네트워크 tensorflow와 같이 많은 사람들이 사용하는 딥러닝 프레임워크 Numpy vs Pytorch 딥러닝에서 numpy만을 사용한다면, backpropagation에서 모든 미분식을 직접 계산하고 코드로 작성해야함. 반면 Pytorch 사용시 backward() 함수 호출 시 자동으로 계산 GPU틑 통한 연산 가능 여부 Numpy의 경우 GPU로 값들을 보내 연산을 돌리고 다시 받는 것이 불가능 Pytorch의 경우 내부적으로 CUDA를 통해 GPU 사용가능 -> 연산빠름 * CUDA - 엔비디아가 개발한 GPU를 통한 연산을 가능하게 만든 API 모델 Tensorflow vs Pytorch 공통점 둘 다 연산에 GPU이용하는 프레임 워크 차이점 tens.. 공감수 0 댓글수 0 2023. 4. 25.
정처기 / 빅분기 후기 어후 벌써 반년이 지났네요,,, 딥러닝 강의 듣다가 정보처리기사 실기 공부하느라 업로드를 못했슴당.. 암튼!! 꽤 지났지만 정보처리기사 실기 후기 남겨봅니다~~!! ~정보처리기사 실기 후기~ 22년 2회 실기시험응시했습니다 실기만 3번 봤네여,, 아니 화나게 2점차로 떨어지더라구요. 3번째에 붙었습니다..ㅠㅠ 어후 처음엔 한글이랑 영어랑 섞어 나오더니 그 다음 회차엔 영어만 나오고 그 다음엔 약자만 나오더라구요...^^ 왜 영어시험이라는지 이해가 됩니다 정처기 실기 공부법 + 꿀팁(?) 우선 필기를 수제비책으로 해서 한방에 붙어서 실기도 수제비책으로 공부했어요. 수제비책을 사면 수제비카페에 가입할 수 있어요!! 카페에 질문도 하고 데일리 문제나 여러 족보도 있고 모의고사도 올라와있어서 엄청 도움 됬습니다.. 공감수 0 댓글수 0 2023. 4. 14.
Convolutional Neural Network Modules of Classifier Feature Extrator => Convolution Layer + Pooling Layer → output = Feature vector Classifier => Dense Layer → output = Class Scores Feature를 뽑아내는 이유 input의 image를 classifier로 바로 넣어 분류하기 어려움 (성능 ↓) → Feature를 만들기 시작 Shapes in the Classifier 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 from tensorflow.keras.layers import Dense n_neurons = [50, 25, 10].. 공감수 0 댓글수 0 2022. 9. 8.
Pooling Layer Pooling Pooling은 sub sampling이라고 함 image data를 작은size의 image로 줄이는 과정 pooling을 사용하는 이유 앞선 layer들을 거친 output의 모든 data가 필요하지 않기 때문 → 즉, 추론을 하는데 있어 적당량의 data만 있어도 되기 때문 pooling의 특징 학습변수가 없다. (ex. weight, bias) pooling의 output은 channel수에 영향 없다. Max Pooling 최댓값을 뽑아내는 pooling의 한 종류 $\phi =\max \left( W\right) $ 1D Max Pooling 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 import numpy as np i.. 공감수 0 댓글수 0 2022. 8. 31.
Loss Function Classification 분류는 class를 예측하는 것 어떤 text를 입력했을 때, 어떤 class에 속하는지 예측하는 것 즉, 예측해야 할 대상(class)이 정해져있다. discrete한 값이 ouptut 미리 정의된 가능성이 있는 여러 클래스 레이블 중 하나를 예측하는 것 중간이 없다 classification의 종류 1. binary classification - 예측할 class가 2가지인 경우 2. multi-class classification - 예측할 class가 여러가지인 경우 Binary Classification output을 T / F, 앞 / 뒤와 같이 두가지 그룹으로 분류하는 것 output y가 binary한 0 / 1 로 나옴 → Output layer에 Activat.. 공감수 0 댓글수 0 2022. 8. 25.
Classifier, Softmax Layer Odds 확률 p에 대한 odds $O=\dfrac{p}{1-p}$ 실패비율 대비 성공비율을 설명하는 것 Logit 확률 p의 logit $l=\log \left( \dfrac{p}{1-p}\right) $ 즉, odds에 log를 씌운 것 ( log + odds ) odds는 1보다 큰 지, logit은 0보다 큰지가 결정의 기준 logit의 역함수는 sigmoid $l=\log \left( \dfrac{p}{1-p}\right) $ $e^{e}=\dfrac{p}{1-p}$ $\dfrac{1}{0^{1}}=\dfrac{1-p}{p}=\dfrac{1}{p}-1$ $\dfrac{1}{e^{l}}+1=\dfrac{1}{p}$ $\dfrac{e^{l}+1}{e^{l}}=\dfrac{1}{p}$ $p=\dfra.. 공감수 0 댓글수 0 2022. 8. 17.
Super Inheritance 상속 Python의 class간에는 상속이 가능 부모클래스의 내용을 자식이 가져다 쓸 수 있는 것 A 클래스 선언 1 2 3 4 5 6 7 # 부모 클래스 A class A(object): def __init__(self): print("A") def hello(self): print("hello") cs B 클래스 선언 1 2 3 4 5 6 7 8 9 10 class B(A): def __init__(self): print("B") def hi(self): print("hi") b = B() b.hello() cs → B클래스 선언시 A를 전달해주면, B는 A를 상속받게 됨 result B hello => 상속을 받게되면, B는 A의 함수들을 활용할 수 있게 됨 super() 상속.. 공감수 0 댓글수 0 2022. 8. 16.
Class Function 하나의 특정 작업을 수행하기 위해 독립적으로 설계된 프로그램 코드 Class 함수뿐만 아니라 관련된 변수까지도 한꺼번에 묶어서 관리하고 재사용할 수 있게 해주는 것 Object class = 붕어빵 틀 object = 붕어빵 하나의 클래스로부터 무수히 많은 객체 생성가능 Attribute class에 포함되는 변수 Method class에 포함되는 함수 class내 기재되어 있는 함수 Instants class에 정의된 데이터나 함수를 사용하기 위해 생성 class를 실체화한 것 class를 기반으로 생성된 객체를 가리킴 인스턴스명 = 클래스명() 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 class Dog: # 클래스 선언.. 공감수 0 댓글수 0 2022. 8. 16.
Format Function Formating 문자열 포맷팅이란 문자열을 이쁘게 만드는 방법 문자열 중간 중간에 특정 변수의 값을 넣어주기 위해 사용하는 것 Format fuction 사용법 중괄호{ }에 포매팅을 지정하고 format함수의 인자로 값들을 넣는다 1 2 3 4 5 a = 2 b = 3 s = '구구단 {}X{}={}'.format(a,b,a*b) print(s) cs 참고 및 출처 : https://blockdmask.tistory.com/424, 공감수 0 댓글수 0 2022. 8. 16.
Artificial Neuron Tensor Zeroth- order Tensor ( 0차원 텐서 ) = scalar First-order Tensor(1차원 텐서) = vector Second-order Tensor( 2차원 텐서) = matrix ※ 위와 같이 나눌 수 있으나, 모두 Tensor로 표현 가능 데이터의 배열, 다차원의 배열을 통칭 scalar, vector, matrix를 general하게 표현한 것 Dataset $\overrightarrow{X}^{T}=\left( x_{1}x_{2}\ldots x_{l_{I}}\right) $ 주로 column형식의 벡터로 표현 $X^{T}=\begin{pmatrix} X^{\left( 1\right) } \\ \chi ^{\left( 2\right) } \\ : \\ X^{(N.. 공감수 0 댓글수 0 2022. 8. 14.
BOOTCAMP 5일차 For Loops, Range and Code Blocks For Loop for문 반복문 for item in list_items: #do something to each item list와 결합해 사용가능 #For Loop with Lists fruits = ["Apple", "Peach", "Pear"] for fruit in fruits: print(fruit) #for반복문 내부에 있다 print(fruit + " Pie") print(fruits) #결과 Apple Apple Pie Peach Peach Pie Pear Pear Pie ['Apple', 'Peach', 'Pear'] ※들여쓰기 매우 중요※ 실습1 - Average heights 키 리스트로부터 평균 학생 신장을 계산 # my .. 공감수 0 댓글수 0 2022. 6. 21.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.