d061120 님의 블로그

참고https://velog.io/@hewas1230/ObjectDetection-Architecturehttps://deepbaksuvision.github.io/Modu_ObjectDetection/posts/01_00_What_is_Object_Detection.htmlhttps://developer-lionhong.tistory.com/34https://leedakyeong.tistory.com/entry/Object-Detection%EC%9D%B4%EB%9E%80-Object-Detection-%EC%9A%A9%EC%96%B4%EC%A0%95%EB%A6%AC 1. Object Detection(객체 탐지)컴퓨터비전, 영상처리와 관계가 깊은 컴퓨터 기술주요 개념1. Class Classifica..

1. 딥러닝 모델링: ② 이진분류※ 함수(Fuction)입력값(input)을 넣으면, 출력값(output)을 준다.입력값을 x, 출력값을 y로 표현따라서 x를 t로 변환(transformation)시켜준다고 할 수 있다.※ 예시f(x) = x^2x = [1, 2, 3, 4, ...] → y = [1, 4, 9, 16, ...] 1.1. 딥러닝 구조 - 이진분류- Survived 를 예측하기 위한 함수f(x) = w1·Age + w2 ·Fare + w3 ·Sex + w0 → -∞ ~ ∞- 목표: Survived를 0, 1로 예측하는 것- Node 의 결과를 변환해주는 함수 필요그것을 활성 함수(Activation Function)라고 한다. 1.2. 딥러닝 구조 - 활성 함수(Activation Funct..

※ CNN(Convolutional neural network)데이터로부터 직접 학습하는 딥러닝의 신경망 아키텍처영상에서 객체, 클래스, 범주 인식을 위한 패턴을 찾을 때 특히 유용함오디오, 시계열 및 신호 데이터를 분류하는 데도 매우 효과적1. CNN 구조- 복잡해 보이지만 아래 4가지만 기억하자.① input_shape: 분석 단위인 이미지 한 장의 크기(픽셀 사이즈, 가로*세로*채널)흑백: 채널 = 1컬러: 채널 = 3 (RGB 3개이므로) ② Convolutional Layer: 필터로 지역적인 특성(feature)을 뽑는 과정 ③ Max pooling Layer: 뽑은 특징을 요약(압축) ④ 펼쳐서(Flatten), Dense Layer에 연결 2. CNN 코드2.1. ConvNet- ConvN..

1. 딥러닝 개념 이해1.1. 딥러닝이란?- 인공 신경망(Artificial Neural Net)신경망을 인공적으로 구현한 것신경망을 깊이(Deep) 쌓아서 학습시키는 방식 ➔ Deep Learning학습을 통해 연결의 강도를 조정 ➔ 가중치(Weight)- Deep Learning으로 할 수 있는 것Universal Approximation Theorem (보편 근사 정리)1989년 Cybenko가 작성한 논문“어떤 연속 함수든, 뉴럴넷으로 모두 구현할 수 있다.”Deep Learning으로 만들 수 있는 머신러닝 알고리즘지도학습 : 선형회귀, 로지스틱 회귀, KNN, DT, SVM, 랜덤 포레 등비지도학습 : 차원축소(PCA), k-means, 이상탐지용 알고리즘그 외, Deep Learning으로 ..

1. 비지도 학습 개요- 전체 프로세스(CRISP-DM)업무 이해비즈니스 관점에서 프로젝트의 목적과 요구사항을 이해하는 단계업무 목적 파악, 상황 파악, 데이터 마이닝 목표 설정, 프로젝트 계획 수립데이터 이해분석을 위한 데이터를 수집하고 데이터 속성을 이해하는 단계초기 데이터 수집, 데이터 기술 분석, 데이터 탐색, 데이터 품질 확인데이터 준비분석을 위해 수집된 데이터에서 분석기법에 적합한 데이터를 편성하는 단계(많은 시간이 소요될 수 있음)분석용 데이터셋 선택, 데이터 정제, 분석용 데이터셋 편성, 데이터 통합모델링다양한 모델링 기법과 알고리즘을 선택하고 모델링 과정에서 사용되는 파라미터를 최적화하는 단계모델링 기법 선택, 모델 테스트 계획 설계, 모델 작성, 모델 평가평가모델링 결과가 프로젝트 목적..

회귀 모델 평가회귀 모델: 수치형 값을 예측하는 것회귀 모델이 정확한 값을 예측하기는 사실상 어렵다.예측값과 실젯값에 차이(=오차)가 있을 것으로 예상예측값이 실젯값에 가까울 수록 좋은 모델이라 할 수 있음→ 오차로 모델 성능을 평가분류 모델 평가분류 모델: 0 또는 1인지를 예측하는 것실젯값도, 예측값도 0과 1임물론 0을 1로, 1을 0으로 예측할 수도 있음예측값이 실젯값과 많이 같을 수록 좋은 모델→ 정확히 예측한 비율로 모델 성능 평가 1. 회귀 모델 성능 평가1. 용어실젯값: 실제로 예측하고 싶은 값, Target이자 목푯값             우리가 알아야 할 오차는 이 값과 예측값의 차이평균값: 이미 알고 있는, 이미 존재하고 있는 평균으로 예측한 값             우리가 만든 모델..

1. 환경준비(1) 라이브러리 불러오기import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as snsimport scipy.stats as spst (2) 데이터 불러오기※ 예제 데이터: 타이타닉 생존자# 타이타닉 데이터titanic = pd.read_csv('https://raw.githubusercontent.com/DA4BAM/dataset/master/titanic.0.csv')# 데이터 확인titanic.head() ※ 범주 vs 숫자 비교하는 방법범주가 2개: 두 평균의 차이 비교범주가 3개 이상: 전체 평균과 각 범주의 평균 비교 2. 시각화(1) 평균 비교: barplotsns.barplot(x..

데이터프레임을 대상으로 조회하는 방법은 다양하지만, 그 중 한 가지 방법을 선택해 일관되게 사용하는 것이 좋다.※ 라이브러리 호출: 데이터프레임 작업 시엔 무조건 해준다.# 라이브러리 불러오기import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as sns 3.1. 데이터 읽어오기# 데이터 읽어오기path = 'csv파일 url'tip = pd.read_csv(path)# 확인# tip[:5]tip.head()예시)※ shape, info(), describe() 등을 활용해 데이터를 잘 불러왔는지 꼭 확인해본다. 3.2. 특정 열 조회df.loc[ : , [열 이름1, 열 이름2,...]] 형태로 조회할 열 ..

2. 데이터프레임 탐색# 라이브러리 불러오기import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as sns# 데이터 읽어오기path = 'csv파일 url'tip = pd.read_csv(path)# 확인tip.head()예시) [참고] 익숙해져야 할 기능 목록head(): 상위 데이터 확인tail(): 하위 데이터 확인shape: 데이터프레임 크기index: 인덱스 정보 확인values: 값 정보 확인columns: 열 정보 확인dtypes: 열 자료형 확인info(): 열에 대한 상세한 정보 확인describe(): 기술통계정보 확인2.1. 앞, 뒤 일부 데이터, 크기 확인head(n), tail(n) 메..

1. 데이터프레임 생성1.1. 데이터프레임 이해1.1.1. 데이터프레임이란Pandas의 주 사용 목적이 데이터프레임을 사용하기 위한 것데이터를 처리, 조회, 분석하는 가장 효율적인 방법이 바로 데이터프레임을 사용하는 것일반적으로 접하게 되는 테이블 형태, 엑셀 형태와 같음직접 만들 수 있으나 보통은 csv 파일, 엑셀 파일 또는 DB에서 읽어옴데이터프레임 형태로 저장해 처리(변경또는 분석 등) 해야함(리스트나 딕셔너리 또는 배열 형태로는 저장 불가)1.1.2. 데이터프레임 형태데이터프레임은 인덱스(=행 이름)와 열 이름이 있고 없고에 따라 다른 형태를 가짐인덱스란 행을 특정지어 조회할 때, 열 이름은 열을 특정지어 조회할 때 사용하는 정보1) 인덱스와 열 이름이 없는 형태열 이름이 없는 데이터프레임은 사..