[Hands-On ML] 4장. 모델 훈련 - 3
로지스틱 회귀와 softmax
Data Science & ML
Unending Data Science & ML Study
[Deep Learning Basic Starting with TF] 실습 7-3-2. Application & Tips: 다양한 Dataset으로 실습
keras로 신경망 구축하기
[Deep Learning Basic Starting with TF] 실습 7-3-1. Application & Tips: Data & Learning
이상치 탐지, fine tuning, feature extraction
[Deep Learning Basic Starting with TF] 실습 7-2-2. Application & Tips: 학습률, 전처리, 오버피팅을 TensorFlow로 실습
정규화, 학습률 감쇠
[Hands-On ML] 4장. 모델 훈련 - 2
학습 곡선, Ridge, Lasso, Elasticnet, Early Stopping
[Deep Learning Basic Starting with TF] 실습 7-2-1. Application & Tips: 오버피팅(Overfitting) & Solutions
과대적합과 과소적합
[Deep Learning Basic Starting with TF] 실습 7-1. Application & Tips: 학습률(Learning Rate)과 데이터 전처리(Data Preprocessing)
학습 스케줄링과 특성 스케일링, 잡음 처리
[Hands-On ML] 4장. 모델 훈련 - 1
선형 회귀와 정규방정식, 경사 하강법, 다항 회귀
[Deep Learning Basic Starting with TF] 실습 6. Softmax classifier를 TensorFlow로 구현하기
Tensorflow로 softmax 구현하기
[Hands-On ML] 3장. 분류 - 2
다중 분류, 다중 레이블 분류, 다중 출력 분류
[Hands-On ML] 3장. 분류 - 1
이항 분류기, 정밀도, 재현율, ROC 곡선
[Deep Learning Basic Starting with TF] 실습 5. Logistic Regression/Classification를 TensorFlow로 구현하기
텐서플로를 이용한 로지스틱 회귀 구현
[Deep Learning Basic Starting with TF] 5-2. Logistic Regression/Classification의 cost 함수, 최소화
로지스틱 회귀의 비용함수
[Deep Learning Basic Starting with TF] 실습 4. Multi-variable Linear Regression를 TensorFlow로 구현하기
Matrix를 사용하여 선형 회귀 구현하기
[Hands-On ML] 2장. 머신러닝 프로젝트 처음부터 끝까지 - 3
모델 훈련, 평가하고 배포하기
[Deep Learning Basic Starting with TF] 실습 3. Linear Regression and How to minimize cost를 TensorFlow로 구현하기
numpy와 tensorlow를 이용한 경사 하강법 구현
[Hands-On ML] 2장. 머신러닝 프로젝트 처음부터 끝까지 - 1
데이터를 가져와서 시각화로 탐색하기까지
[Deep Learning Basic Starting with TF] 실습 2. Simple Linear Regression를 TensorFlow 로 구현하기
단순 선형 회귀 구현하기
[Deep Learning Basic Starting with TF] 1. 기본적인 Machine Learning 의 용어와 개념 설명
머신러닝의 개념 (다른 포스트로 대체)
[Hands-On ML] 1장. 한눈에 보는 머신러닝 - 2
머신러닝의 주요 도전 과제, 데이터셋의 구분, 데이터 불일치
[Hands-On ML] 1장. 한눈에 보는 머신러닝 - 1
머신러닝의 정의와 효용. 머신러닝 시스템의 다양한 분류
[머신러닝을 위한 파이썬] 코스 수료
‘머신러닝을 위한 파이썬’를 수료하며
[머신러닝을 위한 파이썬] 18. Linear Regression - 7
Dev set과 교차 검증의 다양한 방법들
[머신러닝을 위한 파이썬] 16. Linear Regression - 5
다양한 경사하강법 방식, 과대적합을 막기 위한 규제
[머신러닝을 위한 파이썬] 15. Linear Regression - 4
한 개 이상의 특성이 있을 때의 경사 하강법, 모델의 성능 평가하기
[머신러닝을 위한 파이썬] 14. Linear Regression - 3
경사하강법으로 선형 회귀 구현하기
[머신러닝을 위한 파이썬] 13. Linear Regression - 2
실습 - 정규방정식으로 선형 회귀 구현하기
[머신러닝을 위한 파이썬] 12. Linear Regression - 1
선형 회귀, 비용 함수, 정규 방정식
[머신러닝을 위한 파이썬] 11. Data handling - 6
실습 - 비행기 승객 데이터 다루기
[머신러닝을 위한 파이썬] 10. Data handling - 5
결측치 처리, 이산형 데이터 처리, 데이터 스케일링
[머신러닝을 위한 파이썬] 9. Data handling - 4
matplotlib을 통한 데이터 시각화
[머신러닝을 위한 파이썬] 8. Data handling - 3
Pandas의 Groupby, 피벗 테이블, 크로스탭, Merge, Persistence
[머신러닝을 위한 파이썬] 7. Data handling - 2
Pandas의 사용법
[머신러닝을 위한 파이썬] 6. Data handling - 1
NumPy의 사용법
[머신러닝을 위한 파이썬] 4. Linear Algebra (선형대수) - 2
실습 - 유사한 뉴스 선정하기
[머신러닝을 위한 파이썬] 3. Linear Algebra (선형대수) - 1
벡터와 행렬의 연산을 파이썬스럽게 구현하기
[머신러닝을 위한 파이썬] 2. Pythonic Code - 2
파이썬스럽게 코드 짜기 - Asterisk와 collection 모듈
[머신러닝을 위한 파이썬] 1. Pythonic Code - 1
파이썬스럽게 코드 짜기 - split, join, list comprehension, 람다 함수, map, reduce
[Deep Learning Specialization - 4단계] 코스 수료
‘Deep Learning Specialization 4단계’를 수료하며
[Deep Learning Specialization - 4단계] 6. 신경망 스타일 변형
신경망으로 그림의 스타일 바꾸기
[Deep Learning Specialization - 4단계] 5. 얼굴 인식
얼굴 인식을 위한 샴 네트워크, 삼중항 손실
[Deep Learning Specialization - 4단계] 4. 탐지 알고리즘 - 2
IOU, 비최대억제, 앵커 상자. 이를 합한 YOLO 알고리즘
[Deep Learning Specialization - 4단계] 4. 탐지 알고리즘 - 1
물체를 인식하여 경계 상자 그리기
[Deep Learning Specialization - 4단계] 3. convNets-실질적 조언들
컴퓨터 비전에서의 전이학습과 데이터 증가
[Deep Learning Specialization - 4단계] 2. 케이스 스터디 - 2
1 x 1 신경망과 인셉션 신경망
[Deep Learning Specialization - 4단계] 2. 케이스 스터디 - 1
합성곱 층을 사용하는 다양한 신경망
[Deep Learning Specialization - 4단계] 1. 합성곱 신경망 - 1
컴퓨터 비전을 위한 합성곱
[Deep Learning Specialization - 3단계] 코스 수료
‘Deep Learning Specialization 3단계’를 수료하며
[Deep Learning Specialization - 3단계] 7. End-to-End 딥러닝
End-to-end 딥러닝의 개요와 사용 요령
[Deep Learning Specialization - 3단계] 6. 다양한 문제로부터 학습시키기
전이학습과 다중 작업 학습
[Deep Learning Specialization - 3단계] 4. 오차 분석
오차 원인을 발견했을 때 어떻게 해야 하나
[Deep Learning Specialization - 3단계] 3. 사람 수준의 성능과 비교하기
인간의 성능과 AI 모델
[Deep Learning Specialization - 2단계] 코스 수료
‘Deep Learning Specialization 2단계’를 수료하며
[Deep Learning Specialization - 2단계] 8. 프로그래밍 프레임워크 소개
딥러닝 프레임워크와 Tensorflow 구현
[Deep Learning Specialization - 2단계] 5. 하이퍼파라미터 튜닝
초매개변수의 선택과 관련된 다양한 통찰
[Deep Learning Specialization - 2단계] 4. 최적화 알고리즘 - 2
모멘텀 최적화, RMS prop, Adam 최적화 알고리즘. 그리고 학습률 감쇠와 안장지대까지.
[Deep Learning Specialization - 2단계] 4. 최적화 알고리즘 - 1
미니 배치 경사하강법과 지수 가중 평균
[Deep Learning Specialization - 2단계] 3. 최적화 문제 설정
입력 정규화와 경사 검사
[Deep Learning Specialization - 2단계] 1. 머신러닝 어플리케이션 설정하기
모델 생성에 사용되는 여러 집합, 편향과 분산
[Deep Learning Specialization - 1단계] 코스 수료
‘Deep Learning Specialization 1단계’를 수료하며
[Deep Learning Specialization - 1단계] 5. 심층 신경망 네트워크
심층 신경망에서의 정방향 연산과 역방향 연산
[Deep Learning Specialization - 1단계] 4. 얕은 신경망 네트워크
얕은 신경망에 벡터화를 이용한 경사하강법 적용하기
[Deep Learning Specialization - 1단계] 3. 파이썬과 벡터화
벡터화를 통한 반복문 없애기
[Deep Learning Specialization - 1단계] 2. 신경망과 로지스틱회귀
로지스틱 회귀와 경사하강법
[Deep Learning Specialization - 1단계] 1. 딥러닝 소개
신경망이란 무엇인가, 신경망의 종류와 활용
[MIT 데이터 사이언스 기초] 코스 수료
‘MIT 데이터 사이언스 기초’를 수료하며
[MIT 데이터 사이언스 기초] Chapter 14. Classification and Statistical Sins
지도학습 마무리 & 통계의 함정
[MIT 데이터 사이언스 기초] Chapter 13. Classification
지도학습: k-최근접 분류와 로지스틱 회귀
[MIT 데이터 사이언스 기초] Chapter 12. Clustering
비지도학습: 위계적 군집화와 k-평균 알고리즘
[MIT 데이터 사이언스 기초] Chapter 10. Understanding Experimental Data
왜 결정계수가 가장 좋은 모델을 선택하면 안되는가
[파이썬으로 시작하는 데이터 사이언스] 코스 수료
‘파이썬으로 시작하는 데이터 사이언스’를 수료하며
[MIT 데이터 사이언스 기초] Chapter 8. Sampling and Standard Error
1개의 샘플로 할 수 있는 많은 것들
[파이썬으로 시작하는 데이터 사이언스] 5. K-beauty 온라인 판매분석 - 1
tidy 데이터 만들기. 전처리와 시각화의 몇 가지 유용한 팁
[MIT 데이터 사이언스 기초] Chapter 7. Confidence Intervals
중심극한정리를 사용하여 ‘경험적인 규칙’을 룰렛에 적용하기. 확률밀도함수의 원리를 적용한 시뮬레이션으로 원주율의 값 구하기.
[파이썬으로 시작하는 데이터 사이언스] 4. 건강검진 데이터로 가설검정하기 - 2
seaborn을 사용한 다양한 시각화, 상관 계수 분석과 heatmap 그리기
[MIT 데이터 사이언스 기초] Chapter 6. Monte Carlo Simulation
몬테 카를로 시뮬레이션과 다양한 확률 법칙
[파이썬으로 시작하는 데이터 사이언스] 4. 건강검진 데이터로 가설검정하기 - 1
그룹화하기와 피벗테이블 만들기, 히스토그램과 막대그래프로 시각화하기
[MIT 데이터 사이언스 기초] Chapter 5. Random Walks
랜덤워크를 이용해서 시뮬레이션 모델 검증하고 변형하기
[파이썬으로 시작하는 데이터 사이언스] 3. 서울 종합병원 분포 확인하기 - 2
시각화의 다양한 방법, 데이터 색인하기, 지도 활용하기
[MIT 데이터 사이언스 기초] Chapter 4. Stochastic Thinking
확률과 이를 구하는 강력한 방법인 시뮬레이션 모델
[파이썬으로 시작하는 데이터 사이언스] 3. 서울 종합병원 분포 확인하기 - 1
결측치 다루기, 기초 통계량 파악하기, pandas만으로 시각화하기
[MIT 데이터 사이언스 기초] Chapter 3. Graph-theoretic Models
그래프와 최적화 문제. 이를 푸는 DFS와 BFS
[MIT 데이터 사이언스 기초] Chapter 2. Optimization Problems
탐색 트리의 개념과 동적 프로그래밍을 이용해 이를 효율적으로 계산하는 방법
[파이썬으로 시작하는 데이터 사이언스] 2. 데이터 분석 준비하기
Pandas로 csv파일 가져오기, 데이터셋 다루기
[MIT 데이터 사이언스 기초] Chapter 1. Introduction and Optimization Problems
간단한 OT, 계산모델, 최적화 모델, 무차별 대입 알고리즘과 탐욕 알고리즘에 대하여