비지도 학습부터 딥러닝까지
비지도 학습, 차원 축소, 딥러닝 기초 및 심층 신경망 구현에 대한 기록
MINJI BLOG
심층 신경망 구현 및 학습: 패션 MNIST 데이터셋 사례
패션 MNIST 데이터셋을 사용하여 심층 신경망을 구현하고 학습하는 과정을 다룹니다.
딥러닝과 인공 신경망: 텐서플로를 활용한 패션 MNIST 분류
텐서플로와 케라스를 활용하여 패션 MNIST 데이터셋을 분류하는 딥러닝 모델을 구축하고 평가하는 방법을 다룹니다.
차원 축소와 PCA(주성분 분석) 이해하기
머신러닝에서 차원 축소와 주성분 분석(PCA)에 대해 설명하고, 이를 Python 코드로 구현하는 방법을 다룹니다.
k-평균 알고리즘을 활용한 과일 사진 자동 군집화
k-평균 알고리즘을 사용하여 과일 사진을 자동으로 군집화하는 방법을 학습합니다.
흑백 사진 분류를 위한 비지도 학습과 군집 알고리즘 이해하기
비지도 학습과 군집화 알고리즘을 사용하여 흑백 과일 사진 데이터를 분석하고 분류하는 방법을 배웁니다.
머신러닝의 기본과 응용. 이번 주 학습 주요 내용 정리
머신러닝의 다양한 기법과 모델 학습
트리 앙상블 (Tree Ensemble)
다양한 트리 앙상블 알고리즘(Random Forest, Extra Trees, Gradient Boosting, HistGradientBoosting, XGBoost, LightGBM)을 활용하여 와인 데이터셋을 분석하고, 각 모델의 성능을 비교합니다. 교차 검증, 특성 중요도 분석, OOB 점수 등을 통해 모델을 평가하고, 하이퍼파라미터 조정을 통해...
교차 검증과 그리드 서치
교차 검증과 그리드 서치를 통해 머신러닝 모델의 성능을 평가하고 최적의 하이퍼파라미터를 찾는 방법을 다룹니다.
결정 트리와 로지스틱 회귀를 활용한 와인 분류
로지스틱 회귀를 통해 와인 데이터를 분류한 후, 결정 트리를 활용하여 학습 성능을 비교하고 이를 시각화