AI & 머신러닝
11개의 글
AI & 머신러닝
머신 러닝 - 비지도 학습(주성분 분석) (11)
주성분 분석(PCA) 주성분 분석(PCA)는 차원 축소 알고리즘 중에 하나입니다. 우리가 훈련에 사용하는 데이터는 계속해서 증가합니다. 그에 비해 저장 공간은 제한적입니다. 데이터 압축을 해도 군집이나 분류에 영향을
AI & 머신러닝
머신 러닝 - 비지도 학습 (군집) (10)
비지도 학습과 군집 알고리즘 비지도 학습은 정답값이 없는 머신러닝 알고리즘입니다. 비지도 학습 중 군집(Clustering) 알고리즘의 목표는 정답이 없는 과일 사진들을 종류별로 모으는 것입니다. 우선 데이터를 준비
AI & 머신러닝
머신 러닝 - 롤(LOL) 데이터 실습하기 (9)
데이터셋 준비 먼저 데이터셋을 준비하기 위해 라이브러리를 임포트합니다. 그리고, 판다스로 csv 파일을 불러들입니다. 이 데이터는 LOL(League Of Legends) 다이아몬드 랭킹 게임의 초반 10분 전적 데
AI & 머신러닝
머신 러닝 - 트리의 앙상블 (8)
트리의 앙상블 우리가 가지고 있는 데이터는 형태에 따라 정형 데이터와 비정형 데이터로 나뉩니다. 정형화된 데이터는 정해진 틀(스키마)에 맞춰서 저장된 데이터입니다. 대표적으로 행과 열로 된 2차원 데이터입니다. 비정
AI & 머신러닝
머신 러닝 - 교차 검증과 그리드 서치 (7)
교차 검증(CrossValidate)과 그리드 서치(Grid Search) 앞서 배운 하이퍼파라미터에서는 모델이 학습하기 전에 제공해주는 파라미터인데 이는 훈련된 모델 성능에 큰 영향을 주며, 최적의 하이퍼파라미터를
AI & 머신러닝
머신 러닝 - 결정 트리 (6)
결정 트리 Decision Tree 먼저 와인 데이터셋 먼저 준비합니다. https://www.kaggle.com/datasets/uciml/redwinequalitycortezetal2009(https://www.
AI & 머신러닝
머신러닝 - 경사 하강법 (5)
확률적 경사 하강법 분류 알고리즘 SGDClassifier 먼저 훈련 데이터는 항상 한번에 준비되는 경우는 실제로 거의 없습니다. 사실상 거의 불가능합니다. 이런 환경일 때 모델 학습과 적용을 어떻게 해야할까요? 첫
AI & 머신러닝
머신러닝 - 로지스틱 회귀 (4)
로지스틱 회귀(Logistic Regression) 로지스틱 회귀 알고리즘을 통해 이진 및 다중 분류 문제에서 확률을 예측해야 합니다. 생선의 특성들 즉, 길이 / 높이 / 두께 / 대각선 / 무게 등을 활용하여 생
AI & 머신러닝
머신러닝 - 사이킷런을 이용한 회귀문제 (3)
사이킷런을 이용한 회귀 문제 회귀는 임의의 어떤 숫자를 예측하는 문제로써, 여기서는 농어(Perch)의 길이, 높이, 두께로 무게로 예측합니다. KNN 회귀(Regression) 알고리즘을 사용하며 분류(Classi