[Hands-On ML] 13장. 텐서플로를 사용한 데이터 적재와 전처리 - 3
keras 전처리 층(StringLookup, Hashing, Embedding, TextVectorization, 사전 훈련된 요소 활용, 이미지 전처리), TFDS
Tag
- 머신러닝 136
- 파이썬 78
- 수학 36
- 신경망 28
- 알고리즘 25
- Machine Learning 25
- Data Science 24
- Python 24
- 선형대수 21
- 확률 19
- 통계 17
- 선형 회귀 16
- 로지스틱 회귀 14
- Math 14
- Probability 14
- Statistics 14
- Deep Learning 11
- keras 11
- IT 9
- 비용함수 9
- 합성곱 9
- 컴퓨터 비전 9
- 경사 하강법 9
- tensorflow 8
- 그래프 7
- 경사하강법 7
- 텐서플로 7
- Pandas 6
- 동적 프로그래밍 6
- 시뮬레이션 6
- 판다스 6
- NLP 6
- CNN 6
- 최단 경로 5
- RNN 5
- seaborn 4
- 삼성 4
- 구글 4
- 분류 4
- 비지도 학습 4
- 최적화 3
- 지도학습 3
- 스마트폰 3
- 벡터화 3
- 편향 3
- 분산 3
- 정규화 3
- 학습률 3
- 오차 3
- 해싱 3
- 해시 함수 3
- 다익스트라 3
- 계산 복잡도 3
- 벡터 3
- 정규 방정식 3
- 규제 3
- 데이터 전처리 3
- 이항 분류 3
- softmax 3
- Algorithm 2
- Blog 2
- 수료 2
- 선형회귀 2
- 결정계수 2
- 교차 검증 2
- 비지도학습 2
- 갤럭시 2
- 통계의 함정 2
- 애플 2
- 지수 가중 평균 2
- 집합 2
- 정렬 2
- 탐색 2
- 이진 탐색 2
- 이진 탐색 트리 2
- 결정 트리 2
- 딕셔너리 2
- 무리수 2
- 고정밀도 계산 2
- 벨만-포드 2
- list comprehension 2
- asterisk 2
- 선형 대수 2
- 넘파이 2
- 다항 회귀 2
- 과대적합 2
- 과소적합 2
- 데이터 시각화 2
- 시그모이드 함수 2
- 케라스 2
- SVM 2
- 앙상블 2
- 랜덤 포레스트 2
- 딥러닝 2
- Github 1
- 탐색 트리 1
- DFS 1
- BFS 1
- folium 1
- 랜덤워크 1
- 위생검사 1
- 큰수의 법칙 1
- 도박사의 오류 1
- 평균으로의 회귀 1
- 표준편차 1
- 신뢰도 1
- 상관 계수 1
- heatmap 1
- 정규분포 1
- 중심극한정리 1
- 신뢰구간 1
- 표준오차 1
- 학습 오차 1
- 특성 벡터 1
- LG 1
- LG G5 1
- 갤럭시 S7 1
- 위계적 군집화 1
- k-평균 알고리즘 1
- 인공지능 1
- 알파고 1
- 구글 홈 1
- 챗 GPT 1
- KNN 1
- 플레이스토어 1
- 앱스토어 1
- 원스토어 1
- 갤럭시노트7 1
- 타이젠 1
- 안드로이드 1
- iOS 1
- 픽셀폰 1
- 활성화 함수 1
- AR 1
- 폴더블 1
- 경사 검사 1
- 안장지대 1
- 초매개변수 1
- 미니 배치 1
- 배치 정규화 1
- Softmax 1
- 손실함수 1
- 프레임워크 1
- Tensorflow 1
- 직교화 1
- 척도 1
- 최적화 척도 1
- 조건 척도 1
- 인간 1
- 회피 가능 오차 1
- 전이학습 1
- 다중 작업 학습 1
- End-to-end 딥러닝 1
- 극댓값 1
- 분할 정복 1
- 계산 모델 1
- 삽입 정렬 1
- 병합 정렬 1
- 힙 1
- 최대 힙 1
- AVL 1
- 선형 시간 정렬 1
- 계수 정렬 1
- 기수 정렬 1
- 프리해시 1
- 체이닝 1
- 분할상환 1
- 문자열 매칭 1
- 개방 주소법 1
- 카탈란 수 1
- 너비 우선 탐색 1
- 깊이 우선 탐색 1
- 간선 분류 1
- 순환 검출 1
- 위상 정렬 1
- 가중치 1
- 양방향 탐색 1
- 랜드마크 1
- 피보나치 1
- NP 1
- 실행 이동 1
- split 1
- join 1
- 람다 함수 1
- map 1
- reduce 1
- collections 1
- deque 1
- OrderedDict 1
- defaultdict 1
- Counter 1
- 행렬 1
- zip 1
- 사이킷런 1
- 비용 함수 1
- 지도 학습 1
- 준지도 학습 1
- 자기 지도 학습 1
- 강화 학습 1
- 데이터 불일치 1
- numpy 1
- 정밀도 1
- 재현율 1
- ROC 곡선 1
- 정규방정식. 경사 하강법 1
- 커널 트릭 1
- PCA 1
- 군집화 1
- k-means 1
- 퍼셉트론 1
- 역전파 1
- 다층 퍼셉트론 1
- Hyperparameter 1
- generative model 1
- autoencoder 1
- Research 1
- Autoencoder 1
- GAN 1
머신러닝
[Hands-On ML] 13장. 텐서플로를 사용한 데이터 적재와 전처리 - 2
TFRecord 포맷, 프로토콜 버퍼, keras 전처리 층(Normalization, Discretization, CategoryEncoding)
[Hands-On ML] 13장. 텐서플로를 사용한 데이터 적재와 전처리 - 1
Tensorflow를 사용하여 csv 파일 전처리하기
[Hands-On ML] 12장. 텐서플로를 사용한 사용자 정의 모델과 훈련 - 3
사용자 정의 훈련 반복, Tensorflow 함수
[Hands-On ML] 12장. 텐서플로를 사용한 사용자 정의 모델과 훈련 - 2
사용자 정의 층과 모델, tf.GradientTape()를 이용한 후진 자동 미분
[Hands-On ML] 12장. 텐서플로를 사용한 사용자 정의 모델과 훈련 - 1
Tensorflow 기본 및 사용자 정의 손실 함수, 활성화 함수, 초기화, 규제, 제한, 지표
[Hands-On ML] 11장. 심층 신경망 훈련 - 4
l1, l2 규제, dropout, max-norm, 신경망 설계 가이드라인
[Hands-On ML] 11장. 심층 신경망 훈련 - 3
다양한 고속 Optimizer, 학습 스케줄링
[Hands-On ML] 11장. 심층 신경망 훈련 - 2
배치 정규화, 전이 학습
[Hands-On ML] 11장. 심층 신경망 훈련 - 1
Vanishing, Exploding Gradient, Glorot 초기화, ReLU의 변형
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 4
keras tuner, 하이퍼파라미터 튜닝 가이드라인
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 3
함수형 API, Subclassing API, 모델 저장과 복원, callback, tensorboard
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 2
keras Sequential API
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 1
퍼셉트론과 역전파, 다층 퍼셉트론
[Hands-On ML] 9장. 비지도 학습 - 3
Gaussian Mixture Model
[Linear Algebra for AI] 21. 고유값 분해와 특이값 분해의 응용
Application of Eigen Decomposition and SVD
[Hands-On ML] 9장. 비지도 학습 - 2
이미지 분할, 준지도 학습, DBSCAN
[Linear Algebra for AI] 20. 특잇값 분해 Ⅱ
How to get SVD
[Hands-On ML] 9장. 비지도 학습 - 1
군집화와 k-means
[Linear Algebra for AI] 19. 특잇값 분해 Ⅰ
Perspectives of Singular Value Decomposition
[Hands-On ML] 8장. 차원 축소 - 2
Random Projection, LLE, 다른 차원 축소 기법
[Hands-On ML] 8장. 차원 축소 - 1
주성분 분석 PCA
[Hands-On ML] 7장. 앙상블 학습과 랜덤 포레스트 - 2
AdaBoost, Gradient Boosting, Histogram-based Gradient Boosting, Stacking
[Linear Algebra for AI] 18. 고유값 분해와 선형변환
Eigen Decomposition on the perspective of Linear transformation
[Hands-On ML] 7장. 앙상블 학습과 랜덤 포레스트 - 1
앙상블과 랜덤 포레스트
[Hands-On ML] 6장. 결정 트리
DecisionTree
[Linear Algebra for AI] 17. 대각화
Diagonalization
[Deep Learning Basic Starting with TF] 실습 9. Neural Net for XOR
신경망을 이용한 XOR 문제 해결, 텐서보드
[Linear Algebra for AI] 16. 특성방정식
Characteristic Eqaution
[Hands-On ML] 5장. 서포트 벡터 머신 - 2
SVM의 목적 함수와 커널 트릭의 원리
[Linear Algebra for AI] 15. 영공간과 직교여공간
Nullspace and orthogonal complement
[Linear Algebra for AI] 14. 고유벡터와 고유값
Eigenvector and Eigenvalue
[Hands-On ML] 5장. 서포트 벡터 머신 - 1
SVM을 사용한 분류와 회귀
[Linear Algebra for AI] 13. 그람-슈미트 직교화와 QR 분해
Gram-Schmidt Orthogonalization & A=QR
[Hands-On ML] 4장. 모델 훈련 - 3
로지스틱 회귀와 softmax
[Linear Algebra for AI] 12. Orthogonal Projection Ⅱ
Orthogonal Projection & Linear Transformation
[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
[Linear Algebra for AI] 11. Orthogonal Projection Ⅰ
Orthonormal sets, Orthogonal Projection
[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
[Linear Algebra for AI] 9. Least Squares와 그 기하학적 의미
Least Squares와 그 기하학적 의미
[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
[Linear Algebra for AI] 8. Least Squares Problem 소개
Least Square Solution
[Linear Algebra for AI] 7. 전사함수와 일대일함수
Onto와 One-To-One, 신경망에서의 의미
[Linear Algebra for AI] 6. 선형변환
Linear transformation
[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
[Linear Algebra for AI] 5. 부분공간의 기저와 차원
Subspace, basis, dimension, column space, rank
[Deep Learning Basic Starting with TF] 실습 4. Multi-variable Linear Regression를 TensorFlow로 구현하기
Matrix를 사용하여 선형 회귀 구현하기
[Linear Algebra for AI] 4. 선형독립과 선형종속
Linear Independent
[Hands-On ML] 2장. 머신러닝 프로젝트 처음부터 끝까지 - 3
모델 훈련, 평가하고 배포하기
[Linear Algebra for AI] 3. 선형결합
선형결합, Span, Matrix의 곱을 대하는 네 가지 관점
[Deep Learning Basic Starting with TF] 실습 3. Linear Regression and How to minimize cost를 TensorFlow로 구현하기
numpy와 tensorlow를 이용한 경사 하강법 구현
[Linear Algebra for AI] 2. 선형방정식과 선형시스템
Scalar, Vector, Matrix의 개념과 계산법
[Hands-On ML] 2장. 머신러닝 프로젝트 처음부터 끝까지 - 1
데이터를 가져와서 시각화로 탐색하기까지
[Linear Algebra for AI] 1. 선형대수의 기초
Scalar, Vector, Matrix의 개념과 계산법
[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] Chapter 14. Classification and Statistical Sins
지도학습 마무리 & 통계의 함정
[MIT 데이터 사이언스 기초] Chapter 13. Classification
지도학습: k-최근접 분류와 로지스틱 회귀
[응답하라] 3. AI, 일상의 일부가 되다
알파고와 구글 홈, 챗 GPT까지
[MIT 데이터 사이언스 기초] Chapter 12. Clustering
비지도학습: 위계적 군집화와 k-평균 알고리즘
파이썬
[Hands-On ML] 13장. 텐서플로를 사용한 데이터 적재와 전처리 - 3
keras 전처리 층(StringLookup, Hashing, Embedding, TextVectorization, 사전 훈련된 요소 활용, 이미지 전처리), TFDS
[Hands-On ML] 13장. 텐서플로를 사용한 데이터 적재와 전처리 - 2
TFRecord 포맷, 프로토콜 버퍼, keras 전처리 층(Normalization, Discretization, CategoryEncoding)
[Hands-On ML] 13장. 텐서플로를 사용한 데이터 적재와 전처리 - 1
Tensorflow를 사용하여 csv 파일 전처리하기
[Hands-On ML] 12장. 텐서플로를 사용한 사용자 정의 모델과 훈련 - 3
사용자 정의 훈련 반복, Tensorflow 함수
[Hands-On ML] 12장. 텐서플로를 사용한 사용자 정의 모델과 훈련 - 2
사용자 정의 층과 모델, tf.GradientTape()를 이용한 후진 자동 미분
[Hands-On ML] 12장. 텐서플로를 사용한 사용자 정의 모델과 훈련 - 1
Tensorflow 기본 및 사용자 정의 손실 함수, 활성화 함수, 초기화, 규제, 제한, 지표
[Hands-On ML] 11장. 심층 신경망 훈련 - 4
l1, l2 규제, dropout, max-norm, 신경망 설계 가이드라인
[Hands-On ML] 11장. 심층 신경망 훈련 - 3
다양한 고속 Optimizer, 학습 스케줄링
[Hands-On ML] 11장. 심층 신경망 훈련 - 2
배치 정규화, 전이 학습
[Hands-On ML] 11장. 심층 신경망 훈련 - 1
Vanishing, Exploding Gradient, Glorot 초기화, ReLU의 변형
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 4
keras tuner, 하이퍼파라미터 튜닝 가이드라인
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 3
함수형 API, Subclassing API, 모델 저장과 복원, callback, tensorboard
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 2
keras Sequential API
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 1
퍼셉트론과 역전파, 다층 퍼셉트론
[Hands-On ML] 9장. 비지도 학습 - 3
Gaussian Mixture Model
[Hands-On ML] 9장. 비지도 학습 - 2
이미지 분할, 준지도 학습, DBSCAN
[Hands-On ML] 9장. 비지도 학습 - 1
군집화와 k-means
[Hands-On ML] 8장. 차원 축소 - 2
Random Projection, LLE, 다른 차원 축소 기법
[Hands-On ML] 8장. 차원 축소 - 1
주성분 분석 PCA
[Hands-On ML] 7장. 앙상블 학습과 랜덤 포레스트 - 2
AdaBoost, Gradient Boosting, Histogram-based Gradient Boosting, Stacking
[Hands-On ML] 7장. 앙상블 학습과 랜덤 포레스트 - 1
앙상블과 랜덤 포레스트
[Hands-On ML] 6장. 결정 트리
DecisionTree
[Hands-On ML] 5장. 서포트 벡터 머신 - 2
SVM의 목적 함수와 커널 트릭의 원리
[Hands-On ML] 5장. 서포트 벡터 머신 - 1
SVM을 사용한 분류와 회귀
[Hands-On ML] 4장. 모델 훈련 - 3
로지스틱 회귀와 softmax
[Hands-On ML] 4장. 모델 훈련 - 2
학습 곡선, Ridge, Lasso, Elasticnet, Early Stopping
[Hands-On ML] 4장. 모델 훈련 - 1
선형 회귀와 정규방정식, 경사 하강법, 다항 회귀
[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
[Hands-On ML] 2장. 머신러닝 프로젝트 처음부터 끝까지 - 3
모델 훈련, 평가하고 배포하기
[Hands-On ML] 2장. 머신러닝 프로젝트 처음부터 끝까지 - 1
데이터를 가져와서 시각화로 탐색하기까지
[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
[MIT 파이썬을 이용한 알고리즘의 이해] 코스 수료
‘MIT 파이썬을 이용한 알고리즘의 이해’를 수료하며
[MIT 파이썬을 이용한 알고리즘의 이해] 24. 병렬 프로세서 구조 & 알고리즘
동적 프로그래밍으로 프로세서의 성능 개선하기
[MIT 파이썬을 이용한 알고리즘의 이해] 23. 계산 복잡도
다양한 계산 복잡도 문제들
[MIT 파이썬을 이용한 알고리즘의 이해] 22. 동적 프로그래밍 4
동적 프로그래밍으로 실생활 문제해결
[MIT 파이썬을 이용한 알고리즘의 이해] 21. 동적 프로그래밍 3
동적 프로그래밍으로 실생활 문제해결
[MIT 파이썬을 이용한 알고리즘의 이해] 20. 동적 프로그래밍 2
동적 프로그래밍의 일반적 단계와 실생활 문제해결
[MIT 파이썬을 이용한 알고리즘의 이해] 18. 최단 경로 4 : 다익스트라 가속화
현실에서 잘 작동하는 최단 경로 구하기 가속화 방법들
[MIT 파이썬을 이용한 알고리즘의 이해] 17. 최단 경로 3 : 벨만 포드
벨만-포드 알고리즘
[MIT 파이썬을 이용한 알고리즘의 이해] 16. 최단 경로 2 : 다익스트라
DAG 최단경로, 다익스트라 알고리즘
[MIT 파이썬을 이용한 알고리즘의 이해] 15. 최단 경로 1 : 도입
가중치가 있는 최단 경로 문제
[MIT 파이썬을 이용한 알고리즘의 이해] 14. 그래프 2 : 깊이 우선 탐색
깊이 우선 탐색 알고리즘과 그 효용
[MIT 파이썬을 이용한 알고리즘의 이해] 13. 그래프 1 : 너비 우선 탐색
그래프에서의 너비 우선 탐색 알고리즘
[MIT 파이썬을 이용한 알고리즘의 이해] 12. 수 2
고정밀 나눗셈과 시간 복잡도
[MIT 파이썬을 이용한 알고리즘의 이해] 11. 수 1
무리수 정밀하게 계산하기, 카탈란 수
[MIT 파이썬을 이용한 알고리즘의 이해] 10. 해싱 3: 개방 주소법
개방 주소법과 암호학적 해싱
[MIT 파이썬을 이용한 알고리즘의 이해] 9. 해싱 2
해시 테이블 크기 조정, 분할상환 분석, 문자열 매칭
[MIT 파이썬을 이용한 알고리즘의 이해] 8. 해싱 1
딕셔너리와 해싱
[MIT 파이썬을 이용한 알고리즘의 이해] 7. 선형 시간 정렬
결정 트리, 선형 시간 정렬
[MIT 파이썬을 이용한 알고리즘의 이해] 6. 균형 이진 탐색 트리
균형 이진 탐색 트리 만들기
[MIT 파이썬을 이용한 알고리즘의 이해] 5. 일정 예약과 이진 탐색 트리
이진 탐색 트리(BST)
[MIT 파이썬을 이용한 알고리즘의 이해] 4. 힙 & 힙 정렬
힙, 최대 힙, 힙 정렬
[MIT 파이썬을 이용한 알고리즘의 이해] 3. 삽입 정렬과 합병 정렬
삽입 정렬과 병합 정렬
[MIT 파이썬을 이용한 알고리즘의 이해] 2. 계산 모델
임의 접근 머신, 포인터 머신과 파이썬에서의 계산 모델, 그리고 문서 거리 문제까지.
[MIT 파이썬을 이용한 알고리즘의 이해] 1. 극댓값 찾기
1차원과 2차원에서 극댓값 찾기
수학
[Statistics 110] 15. Midterm Review
Coupon Collector Problem, Universality, Symmetry, Swapping Success and Failure, Email Problem
[Statistics 110] 14. Location, Scale, and LOTUS
Location and Scale of Normal Distribution, Variations, LOTUS
[Statistics 110] 13. Normal Distribution
Uniform Distribution, Independenc of random variables, Normal Distribution
[Statistics 110] 12. Discrete vs. Continuous, the Uniform
Continuous R.V, Uniform Distribution
[Statistics 110] 11. The Poisson distribution
The Poisson distribution, Poisson Paradigm
[Statistics 110] 10. Expectation Continued
Expectation, Negative Binomial, Putnam, St.Petersburg Paradox
[Statistics 110] 09. Expectation, Indicator Random Variables, Linearity
Expectation, Indicator Random Variables, Linearity, Geometric Distribution
[Statistics 110] 08. Random Variables and Their Distributions
Binomial Distribution and Random Variables, CDF, and PMF
[Statistics 110] 07. Gambler’s Ruin and Random Variables
Gambler’s Ruin and Random Variables
[Statistics 110] 06. Monty Hall, Simpson’s Paradox
Monty Hall, Simpson’s Paradox
[Statistics 110] 05. Conditioning Continued, Law of Total Probability
Law of Total Probability, Biohazards, Conditional Independence
[Statistics 110] 04. Conditional Probability
Independent, Newton-Pepy’s Problem, Conditional Probability
[Statistics 110] 03. Birthday Problem, Properties of Probability
Birthday Problem, Properties of Probability, deMontMort’s problem
[Statistics 110] 02. Story Proofs, Axioms of Probability
Story Proofs, Axioms of Probability
[Statistics 110] 01. Probability and Counting
Naive definition of probability, Multiplication rule, Sampling table
[Linear Algebra for AI] 21. 고유값 분해와 특이값 분해의 응용
Application of Eigen Decomposition and SVD
[Linear Algebra for AI] 20. 특잇값 분해 Ⅱ
How to get SVD
[Linear Algebra for AI] 19. 특잇값 분해 Ⅰ
Perspectives of Singular Value Decomposition
[Linear Algebra for AI] 18. 고유값 분해와 선형변환
Eigen Decomposition on the perspective of Linear transformation
[Linear Algebra for AI] 17. 대각화
Diagonalization
[Linear Algebra for AI] 16. 특성방정식
Characteristic Eqaution
[Linear Algebra for AI] 15. 영공간과 직교여공간
Nullspace and orthogonal complement
[Linear Algebra for AI] 14. 고유벡터와 고유값
Eigenvector and Eigenvalue
[Linear Algebra for AI] 13. 그람-슈미트 직교화와 QR 분해
Gram-Schmidt Orthogonalization & A=QR
[Linear Algebra for AI] 12. Orthogonal Projection Ⅱ
Orthogonal Projection & Linear Transformation
[Linear Algebra for AI] 11. Orthogonal Projection Ⅰ
Orthonormal sets, Orthogonal Projection
[Linear Algebra for AI] 9. Least Squares와 그 기하학적 의미
Least Squares와 그 기하학적 의미
[Linear Algebra for AI] 8. Least Squares Problem 소개
Least Square Solution
[Linear Algebra for AI] 7. 전사함수와 일대일함수
Onto와 One-To-One, 신경망에서의 의미
[Linear Algebra for AI] 6. 선형변환
Linear transformation
[Linear Algebra for AI] 5. 부분공간의 기저와 차원
Subspace, basis, dimension, column space, rank
[Linear Algebra for AI] 4. 선형독립과 선형종속
Linear Independent
[Linear Algebra for AI] 3. 선형결합
선형결합, Span, Matrix의 곱을 대하는 네 가지 관점
[Linear Algebra for AI] 2. 선형방정식과 선형시스템
Scalar, Vector, Matrix의 개념과 계산법
[Linear Algebra for AI] 1. 선형대수의 기초
Scalar, Vector, Matrix의 개념과 계산법
신경망
[Hands-On ML] 11장. 심층 신경망 훈련 - 1
Vanishing, Exploding Gradient, Glorot 초기화, ReLU의 변형
[Deep Learning Basic Starting with TF] 실습 7-3-2. Application & Tips: 다양한 Dataset으로 실습
keras로 신경망 구축하기
[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] 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] 1. 딥러닝 소개
신경망이란 무엇인가, 신경망의 종류와 활용
알고리즘
[MIT 파이썬을 이용한 알고리즘의 이해] 코스 수료
‘MIT 파이썬을 이용한 알고리즘의 이해’를 수료하며
[MIT 파이썬을 이용한 알고리즘의 이해] 24. 병렬 프로세서 구조 & 알고리즘
동적 프로그래밍으로 프로세서의 성능 개선하기
[MIT 파이썬을 이용한 알고리즘의 이해] 23. 계산 복잡도
다양한 계산 복잡도 문제들
[MIT 파이썬을 이용한 알고리즘의 이해] 22. 동적 프로그래밍 4
동적 프로그래밍으로 실생활 문제해결
[MIT 파이썬을 이용한 알고리즘의 이해] 21. 동적 프로그래밍 3
동적 프로그래밍으로 실생활 문제해결
[MIT 파이썬을 이용한 알고리즘의 이해] 20. 동적 프로그래밍 2
동적 프로그래밍의 일반적 단계와 실생활 문제해결
[MIT 파이썬을 이용한 알고리즘의 이해] 18. 최단 경로 4 : 다익스트라 가속화
현실에서 잘 작동하는 최단 경로 구하기 가속화 방법들
[MIT 파이썬을 이용한 알고리즘의 이해] 17. 최단 경로 3 : 벨만 포드
벨만-포드 알고리즘
[MIT 파이썬을 이용한 알고리즘의 이해] 16. 최단 경로 2 : 다익스트라
DAG 최단경로, 다익스트라 알고리즘
[MIT 파이썬을 이용한 알고리즘의 이해] 15. 최단 경로 1 : 도입
가중치가 있는 최단 경로 문제
[MIT 파이썬을 이용한 알고리즘의 이해] 14. 그래프 2 : 깊이 우선 탐색
깊이 우선 탐색 알고리즘과 그 효용
[MIT 파이썬을 이용한 알고리즘의 이해] 13. 그래프 1 : 너비 우선 탐색
그래프에서의 너비 우선 탐색 알고리즘
[MIT 파이썬을 이용한 알고리즘의 이해] 12. 수 2
고정밀 나눗셈과 시간 복잡도
[MIT 파이썬을 이용한 알고리즘의 이해] 11. 수 1
무리수 정밀하게 계산하기, 카탈란 수
[MIT 파이썬을 이용한 알고리즘의 이해] 10. 해싱 3: 개방 주소법
개방 주소법과 암호학적 해싱
[MIT 파이썬을 이용한 알고리즘의 이해] 9. 해싱 2
해시 테이블 크기 조정, 분할상환 분석, 문자열 매칭
[MIT 파이썬을 이용한 알고리즘의 이해] 8. 해싱 1
딕셔너리와 해싱
[MIT 파이썬을 이용한 알고리즘의 이해] 7. 선형 시간 정렬
결정 트리, 선형 시간 정렬
[MIT 파이썬을 이용한 알고리즘의 이해] 6. 균형 이진 탐색 트리
균형 이진 탐색 트리 만들기
[MIT 파이썬을 이용한 알고리즘의 이해] 5. 일정 예약과 이진 탐색 트리
이진 탐색 트리(BST)
[MIT 파이썬을 이용한 알고리즘의 이해] 4. 힙 & 힙 정렬
힙, 최대 힙, 힙 정렬
[MIT 파이썬을 이용한 알고리즘의 이해] 3. 삽입 정렬과 합병 정렬
삽입 정렬과 병합 정렬
[MIT 파이썬을 이용한 알고리즘의 이해] 2. 계산 모델
임의 접근 머신, 포인터 머신과 파이썬에서의 계산 모델, 그리고 문서 거리 문제까지.
[MIT 파이썬을 이용한 알고리즘의 이해] 1. 극댓값 찾기
1차원과 2차원에서 극댓값 찾기
Machine Learning
[Hands-On ML] 17. Autoencoders, GANs, and Diffusion Models - 3
GAN, DCGAN, ProGAN
[Hands-On ML] 17. Autoencoders, GANs, and Diffusion Models - 2
Convolutional Autoencoder, Denoising Autoencoder, Sparsity Autoencoder, Variational Autoencoder
Predict WAR with Classic Stats
An innovative ensemble model that can predict baseball WAR
[Research Paper] Visualizing Data using t-SNE
Introduction of t-SNE
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 5
Vision Transformer, Hugging Face
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 4
Multi-head Attention of transformer, GPT, BERT, DistilBERT, and PaLM
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 3
Bidirectional RNN, Beam Search, Attention Mechanism, Transformer
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 2
Sentiment Analysis, Encoder-decoder translation
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 1
Character(Char)-RNN
[Research Paper] ImageNet Classification with Deep Convolutional Neural Networks
Competition winnig model of ImageNet 2012
[Hands-On ML] 15. Processing Sequences Using RNNs and CNNs - 3
Long Sequence: Layer Normalization, LSTM, GRU, 1D Conv Layer, WaveNet
[Hands-On ML] 15. Processing Sequences Using RNNs and CNNs - 2
RNN Model Building (from data preparation)
[Hands-On ML] 15. Processing Sequences Using RNNs and CNNs - 1
Time series with RNN
[Research Paper] Deep Learning
Review paper of Deep Learning
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 4
Object Detection, YOLO, Tracking, Semantic Segmentation
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 3
Code for ResNet-34, Using Pre-trained Model(+ Transfer learning), and Location Prediction
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 2
Various Structures of CNN
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 1
Basic concept of CNN, Filter, Pooling
[Research Paper] A disciplined approach to neural network hyper-parameters: Part 1 – learning rate, batch size, momentum, and weight decay
Which value or method works well for NN hyperparameters?
[Research Paper] TacticAI: an AI assistant for football tactics
AI in Football: Corner kick
[Research Paper] A Statistical Approach to Language Translation
Outline of automatic translation utilizing statistical information extraction by using large data
[Research Paper] The Unreasonable Effectiveness of Data
Importance of data itself
[Research Paper] Scaling to Very Very Large Corpora for Natural Language Disambiguation
Large Corpora can solve disambiguation of NLP.
Data Science
[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
블로그를 시작하며
시작
[MIT 데이터 사이언스 기초] Chapter 1. Introduction and Optimization Problems
간단한 OT, 계산모델, 최적화 모델, 무차별 대입 알고리즘과 탐욕 알고리즘에 대하여
Python
[Hands-On ML] 17. Autoencoders, GANs, and Diffusion Models - 3
GAN, DCGAN, ProGAN
[Hands-On ML] 17. Autoencoders, GANs, and Diffusion Models - 2
Convolutional Autoencoder, Denoising Autoencoder, Sparsity Autoencoder, Variational Autoencoder
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 5
Vision Transformer, Hugging Face
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 4
Multi-head Attention of transformer, GPT, BERT, DistilBERT, and PaLM
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 3
Bidirectional RNN, Beam Search, Attention Mechanism, Transformer
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 2
Sentiment Analysis, Encoder-decoder translation
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 1
Character(Char)-RNN
[Hands-On ML] 15. Processing Sequences Using RNNs and CNNs - 3
Long Sequence: Layer Normalization, LSTM, GRU, 1D Conv Layer, WaveNet
[Hands-On ML] 15. Processing Sequences Using RNNs and CNNs - 2
RNN Model Building (from data preparation)
[Hands-On ML] 15. Processing Sequences Using RNNs and CNNs - 1
Time series with RNN
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 4
Object Detection, YOLO, Tracking, Semantic Segmentation
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 3
Code for ResNet-34, Using Pre-trained Model(+ Transfer learning), and Location Prediction
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 2
Various Structures of CNN
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 1
Basic concept of CNN, Filter, Pooling
[Deep Learning Specialization - 2단계] 8. 프로그래밍 프레임워크 소개
딥러닝 프레임워크와 Tensorflow 구현
[Deep Learning Specialization - 1단계] 3. 파이썬과 벡터화
벡터화를 통한 반복문 없애기
[파이썬으로 시작하는 데이터 사이언스] 코스 수료
‘파이썬으로 시작하는 데이터 사이언스’를 수료하며
[파이썬으로 시작하는 데이터 사이언스] 5. K-beauty 온라인 판매분석 - 1
tidy 데이터 만들기. 전처리와 시각화의 몇 가지 유용한 팁
[파이썬으로 시작하는 데이터 사이언스] 4. 건강검진 데이터로 가설검정하기 - 2
seaborn을 사용한 다양한 시각화, 상관 계수 분석과 heatmap 그리기
[파이썬으로 시작하는 데이터 사이언스] 4. 건강검진 데이터로 가설검정하기 - 1
그룹화하기와 피벗테이블 만들기, 히스토그램과 막대그래프로 시각화하기
[파이썬으로 시작하는 데이터 사이언스] 3. 서울 종합병원 분포 확인하기 - 2
시각화의 다양한 방법, 데이터 색인하기, 지도 활용하기
[파이썬으로 시작하는 데이터 사이언스] 3. 서울 종합병원 분포 확인하기 - 1
결측치 다루기, 기초 통계량 파악하기, pandas만으로 시각화하기
[파이썬으로 시작하는 데이터 사이언스] 2. 데이터 분석 준비하기
Pandas로 csv파일 가져오기, 데이터셋 다루기
선형대수
[Linear Algebra for AI] 21. 고유값 분해와 특이값 분해의 응용
Application of Eigen Decomposition and SVD
[Linear Algebra for AI] 20. 특잇값 분해 Ⅱ
How to get SVD
[Linear Algebra for AI] 19. 특잇값 분해 Ⅰ
Perspectives of Singular Value Decomposition
[Linear Algebra for AI] 18. 고유값 분해와 선형변환
Eigen Decomposition on the perspective of Linear transformation
[Linear Algebra for AI] 17. 대각화
Diagonalization
[Linear Algebra for AI] 16. 특성방정식
Characteristic Eqaution
[Linear Algebra for AI] 15. 영공간과 직교여공간
Nullspace and orthogonal complement
[Linear Algebra for AI] 14. 고유벡터와 고유값
Eigenvector and Eigenvalue
[Linear Algebra for AI] 13. 그람-슈미트 직교화와 QR 분해
Gram-Schmidt Orthogonalization & A=QR
[Linear Algebra for AI] 12. Orthogonal Projection Ⅱ
Orthogonal Projection & Linear Transformation
[Linear Algebra for AI] 11. Orthogonal Projection Ⅰ
Orthonormal sets, Orthogonal Projection
[Linear Algebra for AI] 9. Least Squares와 그 기하학적 의미
Least Squares와 그 기하학적 의미
[Linear Algebra for AI] 8. Least Squares Problem 소개
Least Square Solution
[Linear Algebra for AI] 7. 전사함수와 일대일함수
Onto와 One-To-One, 신경망에서의 의미
[Linear Algebra for AI] 6. 선형변환
Linear transformation
[Linear Algebra for AI] 5. 부분공간의 기저와 차원
Subspace, basis, dimension, column space, rank
[Linear Algebra for AI] 4. 선형독립과 선형종속
Linear Independent
[Linear Algebra for AI] 3. 선형결합
선형결합, Span, Matrix의 곱을 대하는 네 가지 관점
[Linear Algebra for AI] 2. 선형방정식과 선형시스템
Scalar, Vector, Matrix의 개념과 계산법
[Linear Algebra for AI] 1. 선형대수의 기초
Scalar, Vector, Matrix의 개념과 계산법
확률
[Statistics 110] 15. Midterm Review
Coupon Collector Problem, Universality, Symmetry, Swapping Success and Failure, Email Problem
[Statistics 110] 14. Location, Scale, and LOTUS
Location and Scale of Normal Distribution, Variations, LOTUS
[Statistics 110] 13. Normal Distribution
Uniform Distribution, Independenc of random variables, Normal Distribution
[Statistics 110] 12. Discrete vs. Continuous, the Uniform
Continuous R.V, Uniform Distribution
[Statistics 110] 11. The Poisson distribution
The Poisson distribution, Poisson Paradigm
[Statistics 110] 10. Expectation Continued
Expectation, Negative Binomial, Putnam, St.Petersburg Paradox
[Statistics 110] 09. Expectation, Indicator Random Variables, Linearity
Expectation, Indicator Random Variables, Linearity, Geometric Distribution
[Statistics 110] 08. Random Variables and Their Distributions
Binomial Distribution and Random Variables, CDF, and PMF
[Statistics 110] 07. Gambler’s Ruin and Random Variables
Gambler’s Ruin and Random Variables
[Statistics 110] 06. Monty Hall, Simpson’s Paradox
Monty Hall, Simpson’s Paradox
[Statistics 110] 05. Conditioning Continued, Law of Total Probability
Law of Total Probability, Biohazards, Conditional Independence
[Statistics 110] 04. Conditional Probability
Independent, Newton-Pepy’s Problem, Conditional Probability
[Statistics 110] 03. Birthday Problem, Properties of Probability
Birthday Problem, Properties of Probability, deMontMort’s problem
[Statistics 110] 02. Story Proofs, Axioms of Probability
Story Proofs, Axioms of Probability
[Statistics 110] 01. Probability and Counting
Naive definition of probability, Multiplication rule, Sampling table
[MIT 데이터 사이언스 기초] Chapter 8. Sampling and Standard Error
1개의 샘플로 할 수 있는 많은 것들
[MIT 데이터 사이언스 기초] Chapter 7. Confidence Intervals
중심극한정리를 사용하여 ‘경험적인 규칙’을 룰렛에 적용하기. 확률밀도함수의 원리를 적용한 시뮬레이션으로 원주율의 값 구하기.
[MIT 데이터 사이언스 기초] Chapter 6. Monte Carlo Simulation
몬테 카를로 시뮬레이션과 다양한 확률 법칙
[MIT 데이터 사이언스 기초] Chapter 4. Stochastic Thinking
확률과 이를 구하는 강력한 방법인 시뮬레이션 모델
통계
[Statistics 110] 15. Midterm Review
Coupon Collector Problem, Universality, Symmetry, Swapping Success and Failure, Email Problem
[Statistics 110] 14. Location, Scale, and LOTUS
Location and Scale of Normal Distribution, Variations, LOTUS
[Statistics 110] 13. Normal Distribution
Uniform Distribution, Independenc of random variables, Normal Distribution
[Statistics 110] 12. Discrete vs. Continuous, the Uniform
Continuous R.V, Uniform Distribution
[Statistics 110] 11. The Poisson distribution
The Poisson distribution, Poisson Paradigm
[Statistics 110] 10. Expectation Continued
Expectation, Negative Binomial, Putnam, St.Petersburg Paradox
[Statistics 110] 09. Expectation, Indicator Random Variables, Linearity
Expectation, Indicator Random Variables, Linearity, Geometric Distribution
[Statistics 110] 08. Random Variables and Their Distributions
Binomial Distribution and Random Variables, CDF, and PMF
[Statistics 110] 07. Gambler’s Ruin and Random Variables
Gambler’s Ruin and Random Variables
[Statistics 110] 06. Monty Hall, Simpson’s Paradox
Monty Hall, Simpson’s Paradox
[Statistics 110] 05. Conditioning Continued, Law of Total Probability
Law of Total Probability, Biohazards, Conditional Independence
[Statistics 110] 04. Conditional Probability
Independent, Newton-Pepy’s Problem, Conditional Probability
[Statistics 110] 03. Birthday Problem, Properties of Probability
Birthday Problem, Properties of Probability, deMontMort’s problem
[Statistics 110] 02. Story Proofs, Axioms of Probability
Story Proofs, Axioms of Probability
[Statistics 110] 01. Probability and Counting
Naive definition of probability, Multiplication rule, Sampling table
[MIT 데이터 사이언스 기초] Chapter 14. Classification and Statistical Sins
지도학습 마무리 & 통계의 함정
선형 회귀
[Hands-On ML] 4장. 모델 훈련 - 1
선형 회귀와 정규방정식, 경사 하강법, 다항 회귀
[Deep Learning Basic Starting with TF] 실습 4. Multi-variable Linear Regression를 TensorFlow로 구현하기
Matrix를 사용하여 선형 회귀 구현하기
[Deep Learning Basic Starting with TF] 실습 3. Linear Regression and How to minimize cost를 TensorFlow로 구현하기
numpy와 tensorlow를 이용한 경사 하강법 구현
[Deep Learning Basic Starting with TF] 실습 2. Simple Linear Regression를 TensorFlow 로 구현하기
단순 선형 회귀 구현하기
[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
로지스틱 회귀
[Hands-On ML] 4장. 모델 훈련 - 3
로지스틱 회귀와 softmax
[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
[머신러닝을 위한 파이썬] 코스 수료
‘머신러닝을 위한 파이썬’를 수료하며
[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
[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
Math
[Statistics 110] 29. Law of Large Numbers and Central Limit Theorem
Law of Large Numbers, Central Limit Theorem
[Statistics 110] 28. Inequalities
Inequalities
[Statistics 110] 27. Conditional Expectation given an R.V.
Conditional Expectation given an R.V.
[Statistics 110] 26. Conditional Expectation Continuted
Money Envelope Problem, Patterns in Coin Flips, Conditional Expectation
[Statistics 110] 25. Order Statistics and Conditional Expectations
Bank-Post office Example, Order Statistics, Conditional Expectations
[Statistics 110] 24. Gamma distribution and Poisson process
Gamma distribution and Poisson process
[Statistics 110] 23. Beta distribution
Beta distribution
[Statistics 110] 22. Transformations and Convolutions
Transformations and Convolutions
[Statistics 110] 21. Covariance and Correlation
Covariance and Correlation
[Statistics 110] 20. Multinomial and Cauchy
Multinomial and Cauchy Interview Problem
[Statistics 110] 19. Joint, Conditional, and Marginal Distributions
Joint, Conditional, and Marginal Distributions, 2D-LOTUS, Chicken Egg Problem
[Statistics 110] 18. MGFs Continued
MGFs, Joint Distribution
[Statistics 110] 17. Moment Generating Functions
Memoryless Property, Moment Generating Functions, Laplace Rule of Succession
[Statistics 110] 16. Exponential Distribution
Exponential Distribution
Probability
[Statistics 110] 29. Law of Large Numbers and Central Limit Theorem
Law of Large Numbers, Central Limit Theorem
[Statistics 110] 28. Inequalities
Inequalities
[Statistics 110] 27. Conditional Expectation given an R.V.
Conditional Expectation given an R.V.
[Statistics 110] 26. Conditional Expectation Continuted
Money Envelope Problem, Patterns in Coin Flips, Conditional Expectation
[Statistics 110] 25. Order Statistics and Conditional Expectations
Bank-Post office Example, Order Statistics, Conditional Expectations
[Statistics 110] 24. Gamma distribution and Poisson process
Gamma distribution and Poisson process
[Statistics 110] 23. Beta distribution
Beta distribution
[Statistics 110] 22. Transformations and Convolutions
Transformations and Convolutions
[Statistics 110] 21. Covariance and Correlation
Covariance and Correlation
[Statistics 110] 20. Multinomial and Cauchy
Multinomial and Cauchy Interview Problem
[Statistics 110] 19. Joint, Conditional, and Marginal Distributions
Joint, Conditional, and Marginal Distributions, 2D-LOTUS, Chicken Egg Problem
[Statistics 110] 18. MGFs Continued
MGFs, Joint Distribution
[Statistics 110] 17. Moment Generating Functions
Memoryless Property, Moment Generating Functions, Laplace Rule of Succession
[Statistics 110] 16. Exponential Distribution
Exponential Distribution
Statistics
[Statistics 110] 29. Law of Large Numbers and Central Limit Theorem
Law of Large Numbers, Central Limit Theorem
[Statistics 110] 28. Inequalities
Inequalities
[Statistics 110] 27. Conditional Expectation given an R.V.
Conditional Expectation given an R.V.
[Statistics 110] 26. Conditional Expectation Continuted
Money Envelope Problem, Patterns in Coin Flips, Conditional Expectation
[Statistics 110] 25. Order Statistics and Conditional Expectations
Bank-Post office Example, Order Statistics, Conditional Expectations
[Statistics 110] 24. Gamma distribution and Poisson process
Gamma distribution and Poisson process
[Statistics 110] 23. Beta distribution
Beta distribution
[Statistics 110] 22. Transformations and Convolutions
Transformations and Convolutions
[Statistics 110] 21. Covariance and Correlation
Covariance and Correlation
[Statistics 110] 20. Multinomial and Cauchy
Multinomial and Cauchy Interview Problem
[Statistics 110] 19. Joint, Conditional, and Marginal Distributions
Joint, Conditional, and Marginal Distributions, 2D-LOTUS, Chicken Egg Problem
[Statistics 110] 18. MGFs Continued
MGFs, Joint Distribution
[Statistics 110] 17. Moment Generating Functions
Memoryless Property, Moment Generating Functions, Laplace Rule of Succession
[Statistics 110] 16. Exponential Distribution
Exponential Distribution
Deep Learning
Predict WAR with Classic Stats
An innovative ensemble model that can predict baseball WAR
[Research Paper] Visualizing Data using t-SNE
Introduction of t-SNE
[Research Paper] ImageNet Classification with Deep Convolutional Neural Networks
Competition winnig model of ImageNet 2012
[Research Paper] Deep Learning
Review paper of Deep Learning
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 2
Various Structures of CNN
[Research Paper] A disciplined approach to neural network hyper-parameters: Part 1 – learning rate, batch size, momentum, and weight decay
Which value or method works well for NN hyperparameters?
[Research Paper] TacticAI: an AI assistant for football tactics
AI in Football: Corner kick
[Research Paper] A Statistical Approach to Language Translation
Outline of automatic translation utilizing statistical information extraction by using large data
[Research Paper] The Unreasonable Effectiveness of Data
Importance of data itself
[Research Paper] Scaling to Very Very Large Corpora for Natural Language Disambiguation
Large Corpora can solve disambiguation of NLP.
keras
[Hands-On ML] 15. Processing Sequences Using RNNs and CNNs - 2
RNN Model Building (from data preparation)
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 3
Code for ResNet-34, Using Pre-trained Model(+ Transfer learning), and Location Prediction
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 1
Basic concept of CNN, Filter, Pooling
[Hands-On ML] 13장. 텐서플로를 사용한 데이터 적재와 전처리 - 3
keras 전처리 층(StringLookup, Hashing, Embedding, TextVectorization, 사전 훈련된 요소 활용, 이미지 전처리), TFDS
[Hands-On ML] 13장. 텐서플로를 사용한 데이터 적재와 전처리 - 2
TFRecord 포맷, 프로토콜 버퍼, keras 전처리 층(Normalization, Discretization, CategoryEncoding)
[Hands-On ML] 11장. 심층 신경망 훈련 - 4
l1, l2 규제, dropout, max-norm, 신경망 설계 가이드라인
[Hands-On ML] 11장. 심층 신경망 훈련 - 2
배치 정규화, 전이 학습
[Hands-On ML] 11장. 심층 신경망 훈련 - 1
Vanishing, Exploding Gradient, Glorot 초기화, ReLU의 변형
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 4
keras tuner, 하이퍼파라미터 튜닝 가이드라인
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 3
함수형 API, Subclassing API, 모델 저장과 복원, callback, tensorboard
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 2
keras Sequential API
IT
[응답하라] 9. 완성이자 새로운 시작. (끝)
베젤리스와 폴더블 스마트폰
[응답하라] 8. 포켓몬고가(이) 상륙했다. 효과는 굉장했다!
AR 열풍의 시작 포켓몬고
[응답하라] 7. 구글의, 구글에 의한, 구글을 위한
Made by Google. 픽셀폰의 탄생
[응답하라] 6. 결국 빛을 보지 못하다
타이젠, 그 가혹한 운명의 역사
[응답하라] 5. 모바일 산업 역사상 최악의 참사
가장 중요한 건 ‘기본’이다
[응답하라] 4. 기생 좀비의 등장
토종 앱 장터 ‘원스토어’ 납시오
[응답하라] 3. AI, 일상의 일부가 되다
알파고와 구글 홈, 챗 GPT까지
[응답하라] 2. 미래는 누구도 예측할 수 없다
갤럭시 S7의 성공
[응답하라] 1. 실험을 시작한 LG
LG 스마트폰 몰락의 시작. LG G5
비용함수
[Deep Learning Basic Starting with TF] 실습 6. Softmax classifier를 TensorFlow로 구현하기
Tensorflow로 softmax 구현하기
[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 3. Linear Regression and How to minimize cost를 TensorFlow로 구현하기
numpy와 tensorlow를 이용한 경사 하강법 구현
합성곱
[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
컴퓨터 비전
[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
경사 하강법
[Deep Learning Basic Starting with TF] 실습 3. Linear Regression and How to minimize cost를 TensorFlow로 구현하기
numpy와 tensorlow를 이용한 경사 하강법 구현
[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
tensorflow
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 1
Basic concept of CNN, Filter, Pooling
[Hands-On ML] 13장. 텐서플로를 사용한 데이터 적재와 전처리 - 3
keras 전처리 층(StringLookup, Hashing, Embedding, TextVectorization, 사전 훈련된 요소 활용, 이미지 전처리), TFDS
[Hands-On ML] 13장. 텐서플로를 사용한 데이터 적재와 전처리 - 2
TFRecord 포맷, 프로토콜 버퍼, keras 전처리 층(Normalization, Discretization, CategoryEncoding)
[Hands-On ML] 13장. 텐서플로를 사용한 데이터 적재와 전처리 - 1
Tensorflow를 사용하여 csv 파일 전처리하기
[Hands-On ML] 12장. 텐서플로를 사용한 사용자 정의 모델과 훈련 - 3
사용자 정의 훈련 반복, Tensorflow 함수
[Hands-On ML] 12장. 텐서플로를 사용한 사용자 정의 모델과 훈련 - 2
사용자 정의 층과 모델, tf.GradientTape()를 이용한 후진 자동 미분
[Hands-On ML] 12장. 텐서플로를 사용한 사용자 정의 모델과 훈련 - 1
Tensorflow 기본 및 사용자 정의 손실 함수, 활성화 함수, 초기화, 규제, 제한, 지표
[Deep Learning Basic Starting with TF] 실습 3. Linear Regression and How to minimize cost를 TensorFlow로 구현하기
numpy와 tensorlow를 이용한 경사 하강법 구현
그래프
[MIT 파이썬을 이용한 알고리즘의 이해] 18. 최단 경로 4 : 다익스트라 가속화
현실에서 잘 작동하는 최단 경로 구하기 가속화 방법들
[MIT 파이썬을 이용한 알고리즘의 이해] 17. 최단 경로 3 : 벨만 포드
벨만-포드 알고리즘
[MIT 파이썬을 이용한 알고리즘의 이해] 16. 최단 경로 2 : 다익스트라
DAG 최단경로, 다익스트라 알고리즘
[MIT 파이썬을 이용한 알고리즘의 이해] 15. 최단 경로 1 : 도입
가중치가 있는 최단 경로 문제
[MIT 파이썬을 이용한 알고리즘의 이해] 14. 그래프 2 : 깊이 우선 탐색
깊이 우선 탐색 알고리즘과 그 효용
[MIT 파이썬을 이용한 알고리즘의 이해] 13. 그래프 1 : 너비 우선 탐색
그래프에서의 너비 우선 탐색 알고리즘
[MIT 데이터 사이언스 기초] Chapter 3. Graph-theoretic Models
그래프와 최적화 문제. 이를 푸는 DFS와 BFS
경사하강법
[Deep Learning Basic Starting with TF] 실습 2. Simple Linear Regression를 TensorFlow 로 구현하기
단순 선형 회귀 구현하기
[Deep Learning Specialization - 2단계] 8. 프로그래밍 프레임워크 소개
딥러닝 프레임워크와 Tensorflow 구현
[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 - 1단계] 3. 파이썬과 벡터화
벡터화를 통한 반복문 없애기
[Deep Learning Specialization - 1단계] 2. 신경망과 로지스틱회귀
로지스틱 회귀와 경사하강법
텐서플로
[Deep Learning Basic Starting with TF] 실습 9. Neural Net for XOR
신경망을 이용한 XOR 문제 해결, 텐서보드
[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
[Deep Learning Basic Starting with TF] 실습 4. Multi-variable Linear Regression를 TensorFlow로 구현하기
Matrix를 사용하여 선형 회귀 구현하기
Pandas
[파이썬으로 시작하는 데이터 사이언스] 5. K-beauty 온라인 판매분석 - 1
tidy 데이터 만들기. 전처리와 시각화의 몇 가지 유용한 팁
[파이썬으로 시작하는 데이터 사이언스] 4. 건강검진 데이터로 가설검정하기 - 2
seaborn을 사용한 다양한 시각화, 상관 계수 분석과 heatmap 그리기
[파이썬으로 시작하는 데이터 사이언스] 4. 건강검진 데이터로 가설검정하기 - 1
그룹화하기와 피벗테이블 만들기, 히스토그램과 막대그래프로 시각화하기
[파이썬으로 시작하는 데이터 사이언스] 3. 서울 종합병원 분포 확인하기 - 2
시각화의 다양한 방법, 데이터 색인하기, 지도 활용하기
[파이썬으로 시작하는 데이터 사이언스] 3. 서울 종합병원 분포 확인하기 - 1
결측치 다루기, 기초 통계량 파악하기, pandas만으로 시각화하기
[파이썬으로 시작하는 데이터 사이언스] 2. 데이터 분석 준비하기
Pandas로 csv파일 가져오기, 데이터셋 다루기
동적 프로그래밍
[MIT 파이썬을 이용한 알고리즘의 이해] 24. 병렬 프로세서 구조 & 알고리즘
동적 프로그래밍으로 프로세서의 성능 개선하기
[MIT 파이썬을 이용한 알고리즘의 이해] 22. 동적 프로그래밍 4
동적 프로그래밍으로 실생활 문제해결
[MIT 파이썬을 이용한 알고리즘의 이해] 21. 동적 프로그래밍 3
동적 프로그래밍으로 실생활 문제해결
[MIT 파이썬을 이용한 알고리즘의 이해] 20. 동적 프로그래밍 2
동적 프로그래밍의 일반적 단계와 실생활 문제해결
[MIT 데이터 사이언스 기초] Chapter 2. Optimization Problems
탐색 트리의 개념과 동적 프로그래밍을 이용해 이를 효율적으로 계산하는 방법
시뮬레이션
[MIT 데이터 사이언스 기초] Chapter 8. Sampling and Standard Error
1개의 샘플로 할 수 있는 많은 것들
[MIT 데이터 사이언스 기초] Chapter 7. Confidence Intervals
중심극한정리를 사용하여 ‘경험적인 규칙’을 룰렛에 적용하기. 확률밀도함수의 원리를 적용한 시뮬레이션으로 원주율의 값 구하기.
[MIT 데이터 사이언스 기초] Chapter 6. Monte Carlo Simulation
몬테 카를로 시뮬레이션과 다양한 확률 법칙
[MIT 데이터 사이언스 기초] Chapter 5. Random Walks
랜덤워크를 이용해서 시뮬레이션 모델 검증하고 변형하기
[MIT 데이터 사이언스 기초] Chapter 4. Stochastic Thinking
확률과 이를 구하는 강력한 방법인 시뮬레이션 모델
판다스
[머신러닝을 위한 파이썬] 코스 수료
‘머신러닝을 위한 파이썬’를 수료하며
[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
NLP
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 5
Vision Transformer, Hugging Face
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 4
Multi-head Attention of transformer, GPT, BERT, DistilBERT, and PaLM
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 3
Bidirectional RNN, Beam Search, Attention Mechanism, Transformer
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 2
Sentiment Analysis, Encoder-decoder translation
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 1
Character(Char)-RNN
[Research Paper] A Statistical Approach to Language Translation
Outline of automatic translation utilizing statistical information extraction by using large data
CNN
[Research Paper] ImageNet Classification with Deep Convolutional Neural Networks
Competition winnig model of ImageNet 2012
[Hands-On ML] 15. Processing Sequences Using RNNs and CNNs - 3
Long Sequence: Layer Normalization, LSTM, GRU, 1D Conv Layer, WaveNet
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 4
Object Detection, YOLO, Tracking, Semantic Segmentation
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 3
Code for ResNet-34, Using Pre-trained Model(+ Transfer learning), and Location Prediction
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 2
Various Structures of CNN
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 1
Basic concept of CNN, Filter, Pooling
최단 경로
[MIT 파이썬을 이용한 알고리즘의 이해] 18. 최단 경로 4 : 다익스트라 가속화
현실에서 잘 작동하는 최단 경로 구하기 가속화 방법들
[MIT 파이썬을 이용한 알고리즘의 이해] 17. 최단 경로 3 : 벨만 포드
벨만-포드 알고리즘
[MIT 파이썬을 이용한 알고리즘의 이해] 16. 최단 경로 2 : 다익스트라
DAG 최단경로, 다익스트라 알고리즘
[MIT 파이썬을 이용한 알고리즘의 이해] 15. 최단 경로 1 : 도입
가중치가 있는 최단 경로 문제
RNN
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 2
Sentiment Analysis, Encoder-decoder translation
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 1
Character(Char)-RNN
[Hands-On ML] 15. Processing Sequences Using RNNs and CNNs - 3
Long Sequence: Layer Normalization, LSTM, GRU, 1D Conv Layer, WaveNet
[Hands-On ML] 15. Processing Sequences Using RNNs and CNNs - 2
RNN Model Building (from data preparation)
[Hands-On ML] 15. Processing Sequences Using RNNs and CNNs - 1
Time series with RNN
seaborn
[파이썬으로 시작하는 데이터 사이언스] 5. K-beauty 온라인 판매분석 - 1
tidy 데이터 만들기. 전처리와 시각화의 몇 가지 유용한 팁
[파이썬으로 시작하는 데이터 사이언스] 4. 건강검진 데이터로 가설검정하기 - 2
seaborn을 사용한 다양한 시각화, 상관 계수 분석과 heatmap 그리기
[파이썬으로 시작하는 데이터 사이언스] 4. 건강검진 데이터로 가설검정하기 - 1
그룹화하기와 피벗테이블 만들기, 히스토그램과 막대그래프로 시각화하기
[파이썬으로 시작하는 데이터 사이언스] 3. 서울 종합병원 분포 확인하기 - 2
시각화의 다양한 방법, 데이터 색인하기, 지도 활용하기
삼성
[응답하라] 9. 완성이자 새로운 시작. (끝)
베젤리스와 폴더블 스마트폰
[응답하라] 6. 결국 빛을 보지 못하다
타이젠, 그 가혹한 운명의 역사
[응답하라] 5. 모바일 산업 역사상 최악의 참사
가장 중요한 건 ‘기본’이다
[응답하라] 2. 미래는 누구도 예측할 수 없다
갤럭시 S7의 성공
구글
[응답하라] 7. 구글의, 구글에 의한, 구글을 위한
Made by Google. 픽셀폰의 탄생
[응답하라] 6. 결국 빛을 보지 못하다
타이젠, 그 가혹한 운명의 역사
[응답하라] 4. 기생 좀비의 등장
토종 앱 장터 ‘원스토어’ 납시오
[응답하라] 3. AI, 일상의 일부가 되다
알파고와 구글 홈, 챗 GPT까지
분류
[Hands-On ML] 4장. 모델 훈련 - 3
로지스틱 회귀와 softmax
[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
비지도 학습
[Hands-On ML] 9장. 비지도 학습 - 3
Gaussian Mixture Model
[Hands-On ML] 9장. 비지도 학습 - 2
이미지 분할, 준지도 학습, DBSCAN
[Hands-On ML] 9장. 비지도 학습 - 1
군집화와 k-means
[Hands-On ML] 1장. 한눈에 보는 머신러닝 - 1
머신러닝의 정의와 효용. 머신러닝 시스템의 다양한 분류
최적화
[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
[MIT 데이터 사이언스 기초] Chapter 1. Introduction and Optimization Problems
간단한 OT, 계산모델, 최적화 모델, 무차별 대입 알고리즘과 탐욕 알고리즘에 대하여
지도학습
[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
스마트폰
[응답하라] 7. 구글의, 구글에 의한, 구글을 위한
Made by Google. 픽셀폰의 탄생
[응답하라] 2. 미래는 누구도 예측할 수 없다
갤럭시 S7의 성공
[응답하라] 1. 실험을 시작한 LG
LG 스마트폰 몰락의 시작. LG G5
벡터화
[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
편향
[Deep Learning Specialization - 3단계] 3. 사람 수준의 성능과 비교하기
인간의 성능과 AI 모델
[Deep Learning Specialization - 2단계] 1. 머신러닝 어플리케이션 설정하기
모델 생성에 사용되는 여러 집합, 편향과 분산
분산
[Deep Learning Specialization - 3단계] 3. 사람 수준의 성능과 비교하기
인간의 성능과 AI 모델
[Deep Learning Specialization - 2단계] 1. 머신러닝 어플리케이션 설정하기
모델 생성에 사용되는 여러 집합, 편향과 분산
정규화
[Deep Learning Specialization - 2단계] 3. 최적화 문제 설정
입력 정규화와 경사 검사
학습률
[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
[Deep Learning Specialization - 2단계] 4. 최적화 알고리즘 - 2
모멘텀 최적화, RMS prop, Adam 최적화 알고리즘. 그리고 학습률 감쇠와 안장지대까지.
오차
[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
해싱
[MIT 파이썬을 이용한 알고리즘의 이해] 10. 해싱 3: 개방 주소법
개방 주소법과 암호학적 해싱
[MIT 파이썬을 이용한 알고리즘의 이해] 9. 해싱 2
해시 테이블 크기 조정, 분할상환 분석, 문자열 매칭
[MIT 파이썬을 이용한 알고리즘의 이해] 8. 해싱 1
딕셔너리와 해싱
해시 함수
[MIT 파이썬을 이용한 알고리즘의 이해] 10. 해싱 3: 개방 주소법
개방 주소법과 암호학적 해싱
[MIT 파이썬을 이용한 알고리즘의 이해] 9. 해싱 2
해시 테이블 크기 조정, 분할상환 분석, 문자열 매칭
[MIT 파이썬을 이용한 알고리즘의 이해] 8. 해싱 1
딕셔너리와 해싱
다익스트라
[MIT 파이썬을 이용한 알고리즘의 이해] 18. 최단 경로 4 : 다익스트라 가속화
현실에서 잘 작동하는 최단 경로 구하기 가속화 방법들
[MIT 파이썬을 이용한 알고리즘의 이해] 16. 최단 경로 2 : 다익스트라
DAG 최단경로, 다익스트라 알고리즘
[MIT 파이썬을 이용한 알고리즘의 이해] 15. 최단 경로 1 : 도입
가중치가 있는 최단 경로 문제
계산 복잡도
[MIT 파이썬을 이용한 알고리즘의 이해] 코스 수료
‘MIT 파이썬을 이용한 알고리즘의 이해’를 수료하며
[MIT 파이썬을 이용한 알고리즘의 이해] 24. 병렬 프로세서 구조 & 알고리즘
동적 프로그래밍으로 프로세서의 성능 개선하기
[MIT 파이썬을 이용한 알고리즘의 이해] 23. 계산 복잡도
다양한 계산 복잡도 문제들
벡터
[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
정규 방정식
[머신러닝을 위한 파이썬] 코스 수료
‘머신러닝을 위한 파이썬’를 수료하며
[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
규제
[Hands-On ML] 4장. 모델 훈련 - 2
학습 곡선, Ridge, Lasso, Elasticnet, Early Stopping
[머신러닝을 위한 파이썬] 16. Linear Regression - 5
다양한 경사하강법 방식, 과대적합을 막기 위한 규제
데이터 전처리
[Deep Learning Basic Starting with TF] 실습 7-2-1. Application & Tips: 오버피팅(Overfitting) & Solutions
과대적합과 과소적합
이항 분류
softmax
[Hands-On ML] 4장. 모델 훈련 - 3
로지스틱 회귀와 softmax
[Deep Learning Basic Starting with TF] 실습 6. Softmax classifier를 TensorFlow로 구현하기
Tensorflow로 softmax 구현하기
Algorithm
[MIT 데이터 사이언스 기초] Chapter 3. Graph-theoretic Models
그래프와 최적화 문제. 이를 푸는 DFS와 BFS
[MIT 데이터 사이언스 기초] Chapter 1. Introduction and Optimization Problems
간단한 OT, 계산모델, 최적화 모델, 무차별 대입 알고리즘과 탐욕 알고리즘에 대하여
Blog
블로그를 시작하며
시작
수료
[MIT 데이터 사이언스 기초] 코스 수료
‘MIT 데이터 사이언스 기초’를 수료하며
[파이썬으로 시작하는 데이터 사이언스] 코스 수료
‘파이썬으로 시작하는 데이터 사이언스’를 수료하며
선형회귀
[MIT 데이터 사이언스 기초] Chapter 10. Understanding Experimental Data
왜 결정계수가 가장 좋은 모델을 선택하면 안되는가
결정계수
[MIT 데이터 사이언스 기초] Chapter 10. Understanding Experimental Data
왜 결정계수가 가장 좋은 모델을 선택하면 안되는가
교차 검증
[머신러닝을 위한 파이썬] 18. Linear Regression - 7
Dev set과 교차 검증의 다양한 방법들
[MIT 데이터 사이언스 기초] Chapter 10. Understanding Experimental Data
왜 결정계수가 가장 좋은 모델을 선택하면 안되는가
비지도학습
[MIT 데이터 사이언스 기초] Chapter 12. Clustering
비지도학습: 위계적 군집화와 k-평균 알고리즘
갤럭시
[응답하라] 9. 완성이자 새로운 시작. (끝)
베젤리스와 폴더블 스마트폰
[응답하라] 2. 미래는 누구도 예측할 수 없다
갤럭시 S7의 성공
통계의 함정
[MIT 데이터 사이언스 기초] Chapter 14. Classification and Statistical Sins
지도학습 마무리 & 통계의 함정
애플
[응답하라] 6. 결국 빛을 보지 못하다
타이젠, 그 가혹한 운명의 역사
[응답하라] 4. 기생 좀비의 등장
토종 앱 장터 ‘원스토어’ 납시오
지수 가중 평균
[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
집합
정렬
[MIT 파이썬을 이용한 알고리즘의 이해] 4. 힙 & 힙 정렬
힙, 최대 힙, 힙 정렬
[MIT 파이썬을 이용한 알고리즘의 이해] 3. 삽입 정렬과 합병 정렬
삽입 정렬과 병합 정렬
탐색
[MIT 파이썬을 이용한 알고리즘의 이해] 6. 균형 이진 탐색 트리
균형 이진 탐색 트리 만들기
[MIT 파이썬을 이용한 알고리즘의 이해] 5. 일정 예약과 이진 탐색 트리
이진 탐색 트리(BST)
이진 탐색
[MIT 파이썬을 이용한 알고리즘의 이해] 6. 균형 이진 탐색 트리
균형 이진 탐색 트리 만들기
[MIT 파이썬을 이용한 알고리즘의 이해] 5. 일정 예약과 이진 탐색 트리
이진 탐색 트리(BST)
이진 탐색 트리
[MIT 파이썬을 이용한 알고리즘의 이해] 6. 균형 이진 탐색 트리
균형 이진 탐색 트리 만들기
[MIT 파이썬을 이용한 알고리즘의 이해] 5. 일정 예약과 이진 탐색 트리
이진 탐색 트리(BST)
결정 트리
[Hands-On ML] 6장. 결정 트리
DecisionTree
[MIT 파이썬을 이용한 알고리즘의 이해] 7. 선형 시간 정렬
결정 트리, 선형 시간 정렬
딕셔너리
[MIT 파이썬을 이용한 알고리즘의 이해] 9. 해싱 2
해시 테이블 크기 조정, 분할상환 분석, 문자열 매칭
[MIT 파이썬을 이용한 알고리즘의 이해] 8. 해싱 1
딕셔너리와 해싱
무리수
[MIT 파이썬을 이용한 알고리즘의 이해] 12. 수 2
고정밀 나눗셈과 시간 복잡도
[MIT 파이썬을 이용한 알고리즘의 이해] 11. 수 1
무리수 정밀하게 계산하기, 카탈란 수
고정밀도 계산
[MIT 파이썬을 이용한 알고리즘의 이해] 12. 수 2
고정밀 나눗셈과 시간 복잡도
[MIT 파이썬을 이용한 알고리즘의 이해] 11. 수 1
무리수 정밀하게 계산하기, 카탈란 수
벨만-포드
[MIT 파이썬을 이용한 알고리즘의 이해] 17. 최단 경로 3 : 벨만 포드
벨만-포드 알고리즘
[MIT 파이썬을 이용한 알고리즘의 이해] 15. 최단 경로 1 : 도입
가중치가 있는 최단 경로 문제
list comprehension
[머신러닝을 위한 파이썬] 4. Linear Algebra (선형대수) - 2
실습 - 유사한 뉴스 선정하기
[머신러닝을 위한 파이썬] 1. Pythonic Code - 1
파이썬스럽게 코드 짜기 - split, join, list comprehension, 람다 함수, map, reduce
asterisk
[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
선형 대수
[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
넘파이
[머신러닝을 위한 파이썬] 코스 수료
‘머신러닝을 위한 파이썬’를 수료하며
[머신러닝을 위한 파이썬] 6. Data handling - 1
NumPy의 사용법
다항 회귀
[Hands-On ML] 4장. 모델 훈련 - 1
선형 회귀와 정규방정식, 경사 하강법, 다항 회귀
과대적합
[Hands-On ML] 4장. 모델 훈련 - 2
학습 곡선, Ridge, Lasso, Elasticnet, Early Stopping
[Hands-On ML] 1장. 한눈에 보는 머신러닝 - 2
머신러닝의 주요 도전 과제, 데이터셋의 구분, 데이터 불일치
과소적합
[Hands-On ML] 4장. 모델 훈련 - 2
학습 곡선, Ridge, Lasso, Elasticnet, Early Stopping
[Hands-On ML] 1장. 한눈에 보는 머신러닝 - 2
머신러닝의 주요 도전 과제, 데이터셋의 구분, 데이터 불일치
데이터 시각화
[Hands-On ML] 2장. 머신러닝 프로젝트 처음부터 끝까지 - 3
모델 훈련, 평가하고 배포하기
[Hands-On ML] 2장. 머신러닝 프로젝트 처음부터 끝까지 - 1
데이터를 가져와서 시각화로 탐색하기까지
시그모이드 함수
케라스
[Hands-On ML] 11장. 심층 신경망 훈련 - 3
다양한 고속 Optimizer, 학습 스케줄링
SVM
[Hands-On ML] 5장. 서포트 벡터 머신 - 2
SVM의 목적 함수와 커널 트릭의 원리
[Hands-On ML] 5장. 서포트 벡터 머신 - 1
SVM을 사용한 분류와 회귀
앙상블
[Hands-On ML] 7장. 앙상블 학습과 랜덤 포레스트 - 2
AdaBoost, Gradient Boosting, Histogram-based Gradient Boosting, Stacking
[Hands-On ML] 7장. 앙상블 학습과 랜덤 포레스트 - 1
앙상블과 랜덤 포레스트
랜덤 포레스트
[Hands-On ML] 7장. 앙상블 학습과 랜덤 포레스트 - 2
AdaBoost, Gradient Boosting, Histogram-based Gradient Boosting, Stacking
[Hands-On ML] 7장. 앙상블 학습과 랜덤 포레스트 - 1
앙상블과 랜덤 포레스트
딥러닝
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 2
keras Sequential API
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 1
퍼셉트론과 역전파, 다층 퍼셉트론
Github
블로그를 시작하며
시작
탐색 트리
[MIT 데이터 사이언스 기초] Chapter 2. Optimization Problems
탐색 트리의 개념과 동적 프로그래밍을 이용해 이를 효율적으로 계산하는 방법
DFS
[MIT 데이터 사이언스 기초] Chapter 3. Graph-theoretic Models
그래프와 최적화 문제. 이를 푸는 DFS와 BFS
BFS
[MIT 데이터 사이언스 기초] Chapter 3. Graph-theoretic Models
그래프와 최적화 문제. 이를 푸는 DFS와 BFS
folium
[파이썬으로 시작하는 데이터 사이언스] 3. 서울 종합병원 분포 확인하기 - 2
시각화의 다양한 방법, 데이터 색인하기, 지도 활용하기
랜덤워크
[MIT 데이터 사이언스 기초] Chapter 5. Random Walks
랜덤워크를 이용해서 시뮬레이션 모델 검증하고 변형하기
위생검사
[MIT 데이터 사이언스 기초] Chapter 5. Random Walks
랜덤워크를 이용해서 시뮬레이션 모델 검증하고 변형하기
큰수의 법칙
[MIT 데이터 사이언스 기초] Chapter 6. Monte Carlo Simulation
몬테 카를로 시뮬레이션과 다양한 확률 법칙
도박사의 오류
[MIT 데이터 사이언스 기초] Chapter 6. Monte Carlo Simulation
몬테 카를로 시뮬레이션과 다양한 확률 법칙
평균으로의 회귀
[MIT 데이터 사이언스 기초] Chapter 6. Monte Carlo Simulation
몬테 카를로 시뮬레이션과 다양한 확률 법칙
표준편차
[MIT 데이터 사이언스 기초] Chapter 6. Monte Carlo Simulation
몬테 카를로 시뮬레이션과 다양한 확률 법칙
신뢰도
[MIT 데이터 사이언스 기초] Chapter 6. Monte Carlo Simulation
몬테 카를로 시뮬레이션과 다양한 확률 법칙
상관 계수
[파이썬으로 시작하는 데이터 사이언스] 4. 건강검진 데이터로 가설검정하기 - 2
seaborn을 사용한 다양한 시각화, 상관 계수 분석과 heatmap 그리기
heatmap
[파이썬으로 시작하는 데이터 사이언스] 4. 건강검진 데이터로 가설검정하기 - 2
seaborn을 사용한 다양한 시각화, 상관 계수 분석과 heatmap 그리기
정규분포
[MIT 데이터 사이언스 기초] Chapter 7. Confidence Intervals
중심극한정리를 사용하여 ‘경험적인 규칙’을 룰렛에 적용하기. 확률밀도함수의 원리를 적용한 시뮬레이션으로 원주율의 값 구하기.
중심극한정리
[MIT 데이터 사이언스 기초] Chapter 7. Confidence Intervals
중심극한정리를 사용하여 ‘경험적인 규칙’을 룰렛에 적용하기. 확률밀도함수의 원리를 적용한 시뮬레이션으로 원주율의 값 구하기.
신뢰구간
[MIT 데이터 사이언스 기초] Chapter 8. Sampling and Standard Error
1개의 샘플로 할 수 있는 많은 것들
표준오차
[MIT 데이터 사이언스 기초] Chapter 8. Sampling and Standard Error
1개의 샘플로 할 수 있는 많은 것들
학습 오차
[MIT 데이터 사이언스 기초] Chapter 10. Understanding Experimental Data
왜 결정계수가 가장 좋은 모델을 선택하면 안되는가
특성 벡터
맨 위로 이동 ↑LG
[응답하라] 1. 실험을 시작한 LG
LG 스마트폰 몰락의 시작. LG G5
LG G5
[응답하라] 1. 실험을 시작한 LG
LG 스마트폰 몰락의 시작. LG G5
갤럭시 S7
[응답하라] 2. 미래는 누구도 예측할 수 없다
갤럭시 S7의 성공
위계적 군집화
[MIT 데이터 사이언스 기초] Chapter 12. Clustering
비지도학습: 위계적 군집화와 k-평균 알고리즘
k-평균 알고리즘
[MIT 데이터 사이언스 기초] Chapter 12. Clustering
비지도학습: 위계적 군집화와 k-평균 알고리즘
인공지능
[응답하라] 3. AI, 일상의 일부가 되다
알파고와 구글 홈, 챗 GPT까지
알파고
[응답하라] 3. AI, 일상의 일부가 되다
알파고와 구글 홈, 챗 GPT까지
구글 홈
[응답하라] 3. AI, 일상의 일부가 되다
알파고와 구글 홈, 챗 GPT까지
챗 GPT
[응답하라] 3. AI, 일상의 일부가 되다
알파고와 구글 홈, 챗 GPT까지
KNN
[MIT 데이터 사이언스 기초] Chapter 13. Classification
지도학습: k-최근접 분류와 로지스틱 회귀
플레이스토어
[응답하라] 4. 기생 좀비의 등장
토종 앱 장터 ‘원스토어’ 납시오
앱스토어
[응답하라] 4. 기생 좀비의 등장
토종 앱 장터 ‘원스토어’ 납시오
원스토어
[응답하라] 4. 기생 좀비의 등장
토종 앱 장터 ‘원스토어’ 납시오
갤럭시노트7
[응답하라] 5. 모바일 산업 역사상 최악의 참사
가장 중요한 건 ‘기본’이다
타이젠
[응답하라] 6. 결국 빛을 보지 못하다
타이젠, 그 가혹한 운명의 역사
안드로이드
[응답하라] 6. 결국 빛을 보지 못하다
타이젠, 그 가혹한 운명의 역사
iOS
[응답하라] 6. 결국 빛을 보지 못하다
타이젠, 그 가혹한 운명의 역사
픽셀폰
[응답하라] 7. 구글의, 구글에 의한, 구글을 위한
Made by Google. 픽셀폰의 탄생
활성화 함수
[Deep Learning Specialization - 1단계] 4. 얕은 신경망 네트워크
얕은 신경망에 벡터화를 이용한 경사하강법 적용하기
AR
[응답하라] 8. 포켓몬고가(이) 상륙했다. 효과는 굉장했다!
AR 열풍의 시작 포켓몬고
폴더블
[응답하라] 9. 완성이자 새로운 시작. (끝)
베젤리스와 폴더블 스마트폰
경사 검사
[Deep Learning Specialization - 2단계] 3. 최적화 문제 설정
입력 정규화와 경사 검사
안장지대
[Deep Learning Specialization - 2단계] 4. 최적화 알고리즘 - 2
모멘텀 최적화, RMS prop, Adam 최적화 알고리즘. 그리고 학습률 감쇠와 안장지대까지.
초매개변수
[Deep Learning Specialization - 2단계] 5. 하이퍼파라미터 튜닝
초매개변수의 선택과 관련된 다양한 통찰
미니 배치
맨 위로 이동 ↑배치 정규화
맨 위로 이동 ↑Softmax
맨 위로 이동 ↑손실함수
맨 위로 이동 ↑프레임워크
[Deep Learning Specialization - 2단계] 8. 프로그래밍 프레임워크 소개
딥러닝 프레임워크와 Tensorflow 구현
Tensorflow
[Deep Learning Specialization - 2단계] 8. 프로그래밍 프레임워크 소개
딥러닝 프레임워크와 Tensorflow 구현
직교화
맨 위로 이동 ↑척도
맨 위로 이동 ↑최적화 척도
맨 위로 이동 ↑조건 척도
맨 위로 이동 ↑인간
[Deep Learning Specialization - 3단계] 3. 사람 수준의 성능과 비교하기
인간의 성능과 AI 모델
회피 가능 오차
[Deep Learning Specialization - 3단계] 3. 사람 수준의 성능과 비교하기
인간의 성능과 AI 모델
전이학습
[Deep Learning Specialization - 3단계] 6. 다양한 문제로부터 학습시키기
전이학습과 다중 작업 학습
다중 작업 학습
[Deep Learning Specialization - 3단계] 6. 다양한 문제로부터 학습시키기
전이학습과 다중 작업 학습
End-to-end 딥러닝
[Deep Learning Specialization - 3단계] 7. End-to-End 딥러닝
End-to-end 딥러닝의 개요와 사용 요령
극댓값
[MIT 파이썬을 이용한 알고리즘의 이해] 1. 극댓값 찾기
1차원과 2차원에서 극댓값 찾기
분할 정복
[MIT 파이썬을 이용한 알고리즘의 이해] 1. 극댓값 찾기
1차원과 2차원에서 극댓값 찾기
계산 모델
[MIT 파이썬을 이용한 알고리즘의 이해] 2. 계산 모델
임의 접근 머신, 포인터 머신과 파이썬에서의 계산 모델, 그리고 문서 거리 문제까지.
삽입 정렬
[MIT 파이썬을 이용한 알고리즘의 이해] 3. 삽입 정렬과 합병 정렬
삽입 정렬과 병합 정렬
병합 정렬
[MIT 파이썬을 이용한 알고리즘의 이해] 3. 삽입 정렬과 합병 정렬
삽입 정렬과 병합 정렬
힙
[MIT 파이썬을 이용한 알고리즘의 이해] 4. 힙 & 힙 정렬
힙, 최대 힙, 힙 정렬
최대 힙
[MIT 파이썬을 이용한 알고리즘의 이해] 4. 힙 & 힙 정렬
힙, 최대 힙, 힙 정렬
AVL
[MIT 파이썬을 이용한 알고리즘의 이해] 6. 균형 이진 탐색 트리
균형 이진 탐색 트리 만들기
선형 시간 정렬
[MIT 파이썬을 이용한 알고리즘의 이해] 7. 선형 시간 정렬
결정 트리, 선형 시간 정렬
계수 정렬
[MIT 파이썬을 이용한 알고리즘의 이해] 7. 선형 시간 정렬
결정 트리, 선형 시간 정렬
기수 정렬
[MIT 파이썬을 이용한 알고리즘의 이해] 7. 선형 시간 정렬
결정 트리, 선형 시간 정렬
프리해시
[MIT 파이썬을 이용한 알고리즘의 이해] 8. 해싱 1
딕셔너리와 해싱
체이닝
[MIT 파이썬을 이용한 알고리즘의 이해] 8. 해싱 1
딕셔너리와 해싱
분할상환
[MIT 파이썬을 이용한 알고리즘의 이해] 9. 해싱 2
해시 테이블 크기 조정, 분할상환 분석, 문자열 매칭
문자열 매칭
[MIT 파이썬을 이용한 알고리즘의 이해] 9. 해싱 2
해시 테이블 크기 조정, 분할상환 분석, 문자열 매칭
개방 주소법
[MIT 파이썬을 이용한 알고리즘의 이해] 10. 해싱 3: 개방 주소법
개방 주소법과 암호학적 해싱
카탈란 수
[MIT 파이썬을 이용한 알고리즘의 이해] 11. 수 1
무리수 정밀하게 계산하기, 카탈란 수
너비 우선 탐색
[MIT 파이썬을 이용한 알고리즘의 이해] 13. 그래프 1 : 너비 우선 탐색
그래프에서의 너비 우선 탐색 알고리즘
깊이 우선 탐색
[MIT 파이썬을 이용한 알고리즘의 이해] 14. 그래프 2 : 깊이 우선 탐색
깊이 우선 탐색 알고리즘과 그 효용
간선 분류
[MIT 파이썬을 이용한 알고리즘의 이해] 14. 그래프 2 : 깊이 우선 탐색
깊이 우선 탐색 알고리즘과 그 효용
순환 검출
[MIT 파이썬을 이용한 알고리즘의 이해] 14. 그래프 2 : 깊이 우선 탐색
깊이 우선 탐색 알고리즘과 그 효용
위상 정렬
[MIT 파이썬을 이용한 알고리즘의 이해] 14. 그래프 2 : 깊이 우선 탐색
깊이 우선 탐색 알고리즘과 그 효용
가중치
[MIT 파이썬을 이용한 알고리즘의 이해] 15. 최단 경로 1 : 도입
가중치가 있는 최단 경로 문제
양방향 탐색
[MIT 파이썬을 이용한 알고리즘의 이해] 18. 최단 경로 4 : 다익스트라 가속화
현실에서 잘 작동하는 최단 경로 구하기 가속화 방법들
랜드마크
[MIT 파이썬을 이용한 알고리즘의 이해] 18. 최단 경로 4 : 다익스트라 가속화
현실에서 잘 작동하는 최단 경로 구하기 가속화 방법들
피보나치
맨 위로 이동 ↑NP
[MIT 파이썬을 이용한 알고리즘의 이해] 23. 계산 복잡도
다양한 계산 복잡도 문제들
실행 이동
[MIT 파이썬을 이용한 알고리즘의 이해] 24. 병렬 프로세서 구조 & 알고리즘
동적 프로그래밍으로 프로세서의 성능 개선하기
split
[머신러닝을 위한 파이썬] 1. Pythonic Code - 1
파이썬스럽게 코드 짜기 - split, join, list comprehension, 람다 함수, map, reduce
join
[머신러닝을 위한 파이썬] 1. Pythonic Code - 1
파이썬스럽게 코드 짜기 - split, join, list comprehension, 람다 함수, map, reduce
람다 함수
[머신러닝을 위한 파이썬] 1. Pythonic Code - 1
파이썬스럽게 코드 짜기 - split, join, list comprehension, 람다 함수, map, reduce
map
[머신러닝을 위한 파이썬] 1. Pythonic Code - 1
파이썬스럽게 코드 짜기 - split, join, list comprehension, 람다 함수, map, reduce
reduce
[머신러닝을 위한 파이썬] 1. Pythonic Code - 1
파이썬스럽게 코드 짜기 - split, join, list comprehension, 람다 함수, map, reduce
collections
[머신러닝을 위한 파이썬] 2. Pythonic Code - 2
파이썬스럽게 코드 짜기 - Asterisk와 collection 모듈
deque
[머신러닝을 위한 파이썬] 2. Pythonic Code - 2
파이썬스럽게 코드 짜기 - Asterisk와 collection 모듈
OrderedDict
[머신러닝을 위한 파이썬] 2. Pythonic Code - 2
파이썬스럽게 코드 짜기 - Asterisk와 collection 모듈
defaultdict
[머신러닝을 위한 파이썬] 2. Pythonic Code - 2
파이썬스럽게 코드 짜기 - Asterisk와 collection 모듈
Counter
[머신러닝을 위한 파이썬] 2. Pythonic Code - 2
파이썬스럽게 코드 짜기 - Asterisk와 collection 모듈
행렬
[머신러닝을 위한 파이썬] 3. Linear Algebra (선형대수) - 1
벡터와 행렬의 연산을 파이썬스럽게 구현하기
zip
[머신러닝을 위한 파이썬] 3. Linear Algebra (선형대수) - 1
벡터와 행렬의 연산을 파이썬스럽게 구현하기
사이킷런
[머신러닝을 위한 파이썬] 10. Data handling - 5
결측치 처리, 이산형 데이터 처리, 데이터 스케일링
비용 함수
[머신러닝을 위한 파이썬] 12. Linear Regression - 1
선형 회귀, 비용 함수, 정규 방정식
지도 학습
[Hands-On ML] 1장. 한눈에 보는 머신러닝 - 1
머신러닝의 정의와 효용. 머신러닝 시스템의 다양한 분류
준지도 학습
[Hands-On ML] 1장. 한눈에 보는 머신러닝 - 1
머신러닝의 정의와 효용. 머신러닝 시스템의 다양한 분류
자기 지도 학습
[Hands-On ML] 1장. 한눈에 보는 머신러닝 - 1
머신러닝의 정의와 효용. 머신러닝 시스템의 다양한 분류
강화 학습
[Hands-On ML] 1장. 한눈에 보는 머신러닝 - 1
머신러닝의 정의와 효용. 머신러닝 시스템의 다양한 분류
데이터 불일치
[Hands-On ML] 1장. 한눈에 보는 머신러닝 - 2
머신러닝의 주요 도전 과제, 데이터셋의 구분, 데이터 불일치
numpy
[Deep Learning Basic Starting with TF] 실습 3. Linear Regression and How to minimize cost를 TensorFlow로 구현하기
numpy와 tensorlow를 이용한 경사 하강법 구현
정밀도
[Hands-On ML] 3장. 분류 - 1
이항 분류기, 정밀도, 재현율, ROC 곡선
재현율
[Hands-On ML] 3장. 분류 - 1
이항 분류기, 정밀도, 재현율, ROC 곡선
ROC 곡선
[Hands-On ML] 3장. 분류 - 1
이항 분류기, 정밀도, 재현율, ROC 곡선
정규방정식. 경사 하강법
[Hands-On ML] 4장. 모델 훈련 - 1
선형 회귀와 정규방정식, 경사 하강법, 다항 회귀
커널 트릭
[Hands-On ML] 5장. 서포트 벡터 머신 - 2
SVM의 목적 함수와 커널 트릭의 원리
PCA
[Hands-On ML] 8장. 차원 축소 - 1
주성분 분석 PCA
군집화
[Hands-On ML] 9장. 비지도 학습 - 1
군집화와 k-means
k-means
[Hands-On ML] 9장. 비지도 학습 - 1
군집화와 k-means
퍼셉트론
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 1
퍼셉트론과 역전파, 다층 퍼셉트론
역전파
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 1
퍼셉트론과 역전파, 다층 퍼셉트론
다층 퍼셉트론
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 1
퍼셉트론과 역전파, 다층 퍼셉트론
Hyperparameter
[Research Paper] A disciplined approach to neural network hyper-parameters: Part 1 – learning rate, batch size, momentum, and weight decay
Which value or method works well for NN hyperparameters?
generative model
맨 위로 이동 ↑autoencoder
맨 위로 이동 ↑Research
Predict WAR with Classic Stats
An innovative ensemble model that can predict baseball WAR
Autoencoder
[Hands-On ML] 17. Autoencoders, GANs, and Diffusion Models - 2
Convolutional Autoencoder, Denoising Autoencoder, Sparsity Autoencoder, Variational Autoencoder
GAN
[Hands-On ML] 17. Autoencoders, GANs, and Diffusion Models - 3
GAN, DCGAN, ProGAN