Machine-Learning

머신러닝 2020. 7. 23. 17:19

머신러닝이란?

머신러닝(machine learning) 개요

머신러닝이란 인공지능 연구 과제 중 하나
인간의 뇌가 학습하는 것처럼 학습의 능력을 컴퓨터로 구현하는 방법
샘플 데이터 입력 => 분석 => 특징과 규칙 발견 => 데이터분류 또는 예측

어떻게 특징과 규칙을 찾을까?

특징량을 기반으로 구분선 그리기
머신러닝 계산을 통해 구분선을 찾아 내는 것
많은 경우 거리가 가까우면 비슷한 데이터라고 판정

특징 추출

Raw Data => 데이터가 어떤 특징을 가지고 있는 지 확인 => 벡터(vector)
벡터란 공간에서 크기와 방향을 가지는 것을 의미
어떤 특징을 추출할지가 포인트

회귀 분석 regression analysis

Y가 연속된 값일 때 Y = f(x) 모델로 나타 내는 것
Y = aX + b 인 경우를 선형 회귀
Y: 종복변수(목표변수), X(독립변수,설명변수)
X가 1차원 단순회귀, 2차원이상 다중 회귀

머신러닝의 종류

지도학습(교사학습) Supervised learning

데이터와 함께 답도 입력
다른 데이터의 답 예측
답을 특별히 레이블 이라고 함
글자를 나타내는 이미지와 답을 학습 => 새로운 이미지의 글자 예측

비지도학습(비교사학습) Unsupervised learning

데이터만 입력
데이터에서 규칙성을 찾음
일반적으로 사람도 알 수없는 본질적은 구조 찾기등에 사용
클러스트 분석(Cluster analysis), 주성분 분석(Pricipal component analysis) 등

강화학습 Reinforcement learning

부분 적인 답 입력
데이터를 기반으로 최적의 답 찾기
행동의 주체 <==> 환경(상황, 상태)
행동의 주체는 환경을 관찰 => 의사결정(행동) => 보상
더 많은 보상을 얻을 수 있는 방향으로 행동을 학습

머신러닝의 흐름

데이터 수집 => 가공 => 학습 => 모델 평가 => 정밀도 확인 => 성공
학습 => 학습 방법 선택 => 매개변수 조정 => 모델 학습
정밀도가 낮으면 매개변수 조정 => 모델 학습 = > 모델 평가 => 정밀도 확인 반복

데이터 수집

가장 어려운 부분
충분한 양의 데이터 확보 필요

데이터 가공

프로그램이 다루기 쉬운 형태로 가공 => 벡터화
머신러닝의 어떤 특징을 활용 및 그에 따른 데이터 가공 방법 고민

학습

알고리즘 선택 : SVM, 랜덤포레스트, k-menas등
데이터와 알고리즘에 맞게 매개변수 지정

평가

테스트 데이터를 활용 해 정밀도 확인

머신러닝 응용 분야

클래스 분류(Classification)

특정 데이터에 레이블을 붙여 분류
스팸 메일 분류, 필기 인식, 증권 사기 등에 사용

클러스터링 - 그룹 나누기(Clustering)

값의 유사성 기반으로 데이터를 여러 그룹으로 나누기
사용자 취향 별 타겟 광고 제공

회귀(Regression)

과거의 데이터를 기반으로 미래의 데이터를 예측 하는 것
판매 예측, 주가 변동 등 예측

차원 축소(Dimensionality Reduction)

데이터의 특성을 유지하면서 데이터의 양을 줄이는 것
양을 줄인다는 것 보다는 고차원을 저차원 데이터로 변환 하는 것
데이터를 시각화 하거나 구조를 추출해서 용량을 줄여 계산을 빠르게 하거나 메모리 절약에 사용
사람은 얼굴 이미지는 용량이 큰 고차원 데이터 => 이미지에서 눈의 크기, 굴곡, 코의 위치, 입의 위치등을 분석해 숫자로 추출

초과 학습(초과 적합) Overfitting

훈련 전용 데이터가 학습돼 있지만 학습되지 않은 데이터에 대해 제대로 된 예측을 못하는 상태
데이터가 너무 적은 경우
모델에 비해 문제가 너무 복잡한 경우

머신러닝 프레임워크 scikit-learn

다양한 분류기 지원
머신러닝 결과 검증 기능
분류, 회귀, 클러스터링, 차원 축소등의 다양한 알고리즘 지원
머신러닝 테스트용 샘플 데이터 제공
https://github.com/amueller/odscon-2015/blob/master/machine-learning-with-scikit-learn-odscon-expanded.pdf

# !pip install scikit-learn
# !pip install scipy

XOR 연산 학습하기

from sklearn import svm

# XOR의 계산 결과 데이터 --- (1)
xor_data = [
    #P, Q, result
    [0, 0, 0],
    [0, 1, 1],
    [1, 0, 1],
    [1, 1, 0]
]
# 학습을 위해 데이터와 레이블 분리하기 --- (2)
# 학습시키기 fit() 매개변수에 필요
data = [] # 훈련데이터 / 테스트데이터
label = [] # 답
for row in xor_data:
    p = row[0]
    q = row[1]
    r = row[2]
    data.append([p, q])
    label.append(r)
# 데이터 학습시키기 fit() --- (3)
# SVC 알고리즘 사용
clf = svm.SVC()
clf.fit(data, label)
# 데이터 예측하기 predict() --- (4)
pre = clf.predict(data)
print('예측 결과 :', pre)
# 결과 확인하기 --- (5)
ok = 0; total = 0
for idx, answer in enumerate(label):
    p = pre[idx]
    if p == answer: ok += 1
    total += 1
print("정답률:", ok, "/", total, "=", ok/total)

예측 결과 : [0 1 1 0]
정답률: 4 / 4 = 1.0

data

[[0, 0], [0, 1], [1, 0], [1, 1]]

label

[0, 1, 1, 0]

pre

array([0, 1, 1, 0])

프레임워크로 작성하기

판다스로 데이터와 레이블 나누기
scikit-learn 정답률 계산 기능 등 내장

import pandas as pd
from sklearn import svm, metrics

# XOR 연산
xor_input = [
    [0, 0, 0],
    [0, 1, 1],
    [1, 0, 1],
    [1, 1, 0]
]
# 입력을 학습 전용 데이터와 테스트 전용 데이터로 분류하기 --- (1)
xor_df = pd.DataFrame(xor_input)
xor_data  = xor_df.loc[:,0:1] # 데이터
xor_label = xor_df.loc[:,2]   # 레이블

# 데이터 학습과 예측하기 -- (2)
clf = svm.SVC()
clf.fit(xor_data, xor_label) # 훈련, 학습, 모델만들기 같은말임
pre = clf.predict(xor_data)

# 정답률 구하기 --- (3)
ac_score = metrics.accuracy_score(xor_label, pre)
print('정답률 =', ac_score)

정답률 = 1.0

xor_label

0    0
1    1
2    1
3    0
Name: 2, dtype: int64

pre

array([0, 1, 1, 0], dtype=int64)

붓꽃의 품종 분류하기

외떡잎식물 백합목 붓꽃과의 여러해살이풀 '붓꽃' 분류
머신러닝을 사용해 꽃입과 꽃받치의 크기 기반 분류

붓꽃 데이터 구하기

https://wikibook.co.kr/pyml-rev/ 예제코드 다운로드
Fisher의 붓꽃 데이터 internet에 공개되 있음
iris.csv 검색 (ch4)
판다스의 데이터로도 포함되 있음

데이터 설명

붓꽃 종류 3가지 Iris-setosa, Iris-versicolor, Iris-virginica
SepalLength : 꽃받침의 길이
SepalWidth : 꽃받침의 폭
PetalLength : 꽃잎의 길이
PetalWidth : 꽃잎의 너비

머신러닝으로 붓꽃 품종 분류하기

150개의 데이터 / 100개 훈련용 / 50개 테스트용

from sklearn import svm, metrics
import random, re

# 붓꽃의 CSV 데이터 읽어 들이기 --- (1)
csv = []
with open('pyml_rev_examples/ch4/iris.csv', 'r', encoding='utf-8') as fp:
    # 한 줄씩 읽어 들이기
    for line in fp:
        line = line.strip() # 줄바꿈 제거
        cols = line.split(',') # 쉼표로 자르기
        # 문자열 데이터를 숫자로 변환하기
        fn = lambda n : float(n) if re.match(r'^[0-9\.]+$', n) else n
        cols = list(map(fn, cols))
        csv.append(cols)
# 가장 앞 줄의 헤더 제거
del csv[0]

csv[:3]

[[5.1, 3.5, 1.4, 0.2, 'Iris-setosa'],
 [4.9, 3.0, 1.4, 0.2, 'Iris-setosa'],
 [4.7, 3.2, 1.3, 0.2, 'Iris-setosa']]

data = pd.read_csv('pyml_rev_examples/ch4/iris.csv')
data.head()

	SepalLength	SepalWidth	PetalLength	PetalWidth	Name
0	5.1	3.5	1.4	0.2	Iris-setosa
1	4.9	3.0	1.4	0.2	Iris-setosa
2	4.7	3.2	1.3	0.2	Iris-setosa
3	4.6	3.1	1.5	0.2	Iris-setosa
4	5.0	3.6	1.4	0.2	Iris-setosa

# 데이터 셔플하기(섞기) -- (2)
random.shuffle(csv)

# 학습 전용 데이터와 테스트 전용 데이터 분할하기(2:1 비율) --- (3)
total_len = len(csv)
train_len = int(total_len * 2 / 3)
train_data = []
train_label = []
test_data = []
test_label = []
for i in range(total_len):
    data = csv[i][0:4]
    label = csv[i][4]
    if i < train_len:
        train_data.append(data)
        train_label.append(label)
    else:
        test_data.append(data)
        test_label.append(label)

train_data[:3]

[[4.4, 3.0, 1.3, 0.2], [5.2, 3.5, 1.5, 0.2], [5.8, 2.7, 3.9, 1.2]]

train_label[:3]

['Iris-setosa', 'Iris-setosa', 'Iris-versicolor']

test_data[:3]

[[5.7, 2.9, 4.2, 1.3], [6.4, 3.2, 5.3, 2.3], [6.3, 2.7, 4.9, 1.8]]

test_label[:3]

['Iris-versicolor', 'Iris-virginica', 'Iris-virginica']

# 데이터를 학습시키고 예측하기 --- (4)
clf = svm.SVC()
clf.fit(train_data, train_label)
pre = clf.predict(test_data)

# 정답률 구하기 --- (5)
ac_score = metrics.accuracy_score(test_label, pre)
print('정답률 =', ac_score)

정답률 = 0.86

훈련용 / 테스트 데이터 분할 메서드

model_selection 모듈의 train_test_split()

import pandas as pd
from sklearn import svm, metrics
from sklearn.model_selection import train_test_split

# 붓꽃의 CSV 데이터 읽어 들이기 --- (※1)
csv = pd.read_csv('pyml_rev_examples/ch4/iris.csv')

# 필요한 열 추출하기 --- (2)
csv_data = csv[["SepalLength","SepalWidth","PetalLength","PetalWidth"]]
csv_label = csv['Name']

# 학습 전용 데이터와 테스트 전용 데이터로 나누기 --- (3)
train_data, test_data, train_label, test_label = train_test_split(csv_data, csv_label)

train_data[:3]
len(train_data)

test_data[:3]
len(test_data)

train_label[:3]

23         Iris-setosa
51     Iris-versicolor
122     Iris-virginica
Name: Name, dtype: object

test_label[:3]

54    Iris-versicolor
35        Iris-setosa
15        Iris-setosa
Name: Name, dtype: object

# 데이터 학습시키고 예측하기 --- (4)
clf = svm.SVC()
clf.fit(train_data, train_label)
pre = clf.predict(test_data)

# 정답률 구하기 --- (5)
ac_score = metrics.accuracy_score(test_label, pre)
print('정답률 = ', ac_score)

정답률 =  0.9736842105263158

이미지 내부의 문자 인식

손글씨 숫자 인식

데이터 수집 MNIST : THE MINIST DATABASE

THE MINIST DATABASE of handwritten digits
http://yann.lecun.com/exdb/mnist
학습전용 6만개 / 테스트 전용 1만개
MNIST 자체 데이터베이스 형식
train-images-idx3-ubyte.gz: training set images (9912422 bytes)
train-labels-idx1-ubyte.gz: training set labels (28881 bytes)
t10k-images-idx3-ubyte.gz: test set images (1648877 bytes)
t10k-labels-idx1-ubyte.gz: test set labels (4542 bytes)

데이터 구조

사이트 확인: FILE FORMATS FOR THE MNIST DATABASE
이미지데이터는 각 픽셀을 그레이스케일 256단계
왼쪽 위부터 오른쪽 아래로 차례차례 픽셀이 나열된 형태
0:흰색, 1~255 숫자가 클수록 짙은 부분
바이너리 데이터 => CSV로 변환
<레이블>, <28x28의 픽셀 데이터>
각파일은 32bit(매빅넘버)+32bit(이미지갯수)+이미지(8byte씩)

데이터 변환

# binary 파일 변환위한 모듈
import struct

def to_csv(name, maxdata):
    # 레이블 파일과 이미지 열기
    lbl_f = open("mnist/"+name+"-labels.idx1-ubyte", "rb")
    img_f = open("mnist/"+name+"-images.idx3-ubyte", "rb")
    csv_f = open("mnist/"+name+".csv", "w", encoding="utf-8")
    # 헤더 정보 읽기 --- (1)
    # unpack() 원하는 바이너리수 많큼 읽고 정수로 변환
    # > 리틀 엔디안 II 4byte4byter
    # https://suspected.tistory.com/155
    # PGM : 글자파일로 이미지 생성 가능
    mag, lbl_count = struct.unpack(">II", lbl_f.read(8))
    mag, img_count = struct.unpack(">II", img_f.read(8))
    rows, cols = struct.unpack(">II", img_f.read(8))
    pixels = rows * cols
    # 이미지 데이터를 읽고 CSV로 저장하기 --- (2)
    res = []
    for idx in range(lbl_count):
        if idx > maxdata : break
        label = struct.unpack("B", lbl_f.read(1))[0]
        bdata = img_f.read(pixels)
        sdata = list(map(lambda n: str(n), bdata))
        csv_f.write(str(label)+",")
        csv_f.write(",".join(sdata)+"\r\n")
        # 잘 저장됐는지 이미지 파일로 저장해서 테스트 하기 --- (3)
        if idx < 10:
            s = "P2 28 28 255\n"
            s += " ".join(sdata)
            iname = "./mnist/{0}-{1}-{2}.pgm".format(name, idx, label)
            with open(iname, "w", encoding="utf-8") as f:
                f.write(s)
    csv_f.close()
    lbl_f.close()
    img_f.close()

# 결과를 파일로 출력하기 --- (4)
# 6만개 처리 시간이 많이 걸려 학습 1000개 / 테스트 500개
to_csv('train', 1000)
to_csv('t10k', 500)

pgm view

value view: http://paulcuth.me.uk/netpbm-viewer/
image view: https://www.xnview.com/
image make: https://oneday0012.tistory.com/8

이미지 데이터 학습하기

손글씨 숫자 데이터를 벡터로 변환

from sklearn import model_selection, svm, metrics

# CSV 파일을 읽어 들이고 가공하기 --- (1)
def load_csv(fname):
    labels = []
    images = []
    with open(fname, 'r') as f:
        for line in f:
            cols = line.split(',')
            if len(cols) < 2 :continue
            labels.append(int(cols.pop(0)))
            # 0<= vals < 1
            vals = list(map(lambda n: int(n) / 256, cols))
            images.append(vals)
    return {'labels':labels, 'images':images}
data = load_csv('./mnist/train.csv')
test = load_csv('./mnist/t10k.csv')

# 학습하기 --- (2)
clf = svm.SVC()
clf.fit(data['images'], data['labels'])

SVC()

# 예측하기 --- (3)
predict = clf.predict(test['images'])

# 결과 확인하기 --- (4)
ac_score = metrics.accuracy_score(test['labels'], predict)
cl_report = metrics.classification_report(test["labels"], predict)
print("정답률 =", ac_score)
print("리포트 =")
print(cl_report)

정답률 = 0.8842315369261478
리포트 =
              precision    recall  f1-score   support

           0       0.87      0.98      0.92        42
           1       0.99      1.00      0.99        67
           2       0.91      0.89      0.90        55
           3       0.94      0.72      0.81        46
           4       0.86      0.93      0.89        55
           5       0.75      0.82      0.78        50
           6       0.95      0.81      0.88        43
           7       0.79      0.94      0.86        49
           8       0.94      0.82      0.88        40
           9       0.89      0.87      0.88        54

    accuracy                           0.88       501
   macro avg       0.89      0.88      0.88       501
weighted avg       0.89      0.88      0.88       501

외국어 문장 판별하기

외국어 글자를 읽어 들이고 어떤 언어인지 판정하는 프로그램 만들기
알파벳을 사용하는 언어라도 프랑스어, 타갈로어(필리핀), 인도네시아어 등

판정 방법

글자를 곧바로 학습기에 넣을 수 없음
글자를 나타내는 백터로 변경
언어가 다르면 알파벳 출현 빈도가 다름(언어학)
a 부터 z 까지의 출현 빈도를 확인해서 이를 특징으로 사용

샘플 데이터 수집

각 언여별로 풍부한 데이터가 있는 위키피디아 글자 사용
영어(en), 프랑스어(fr), 인도네시아(id), 타갈로어(tl) 테스트
학습데이터 20개 / 테스트 8개

언어 판별

from sklearn import svm, metrics
import glob, os.path, re, json

# 텍스트를 읽어 들이고 출현 빈도 조사하기 --- (※1)
def check_freq(fname):
    name = os.path.basename(fname)

    # 파일이름 앞의 두 문자가 언어 코드
    lang = re.match(r'^[a-z]{2,}', name).group()
    # print(name)
    # print(lang)
    with open(fname, 'r', encoding='utf-8') as f:
        text = f.read()
    text = text.lower() # 소문자 변환

    # 숫자 세기 변수(cnt) 초기화 하기
    cnt = [0 for n in range(0, 26)]

    # ord() 함수 : 특정한 한 문자를 아스키 코드 값으로 변환해 주는 함수
    code_a = ord('a') # 97
    code_z = ord('z') # 122
    # print(code_a)

    # 알파벳 출현 횟수 구하기 --- (2)
    for ch in text:
        n = ord(ch)
        # print(n)
        if code_a <= n <= code_z: # a~z 사이에 있을 때, 알파벳만 처리
            cnt[n - code_a] += 1
    # 정규화 하기 --- (3) 하는 이유 : 각 텍스트 파일에 글자수가 다르므로
    total = sum(cnt)
    freq = list(map(lambda n: n / total, cnt))
    return (freq, lang)

# 각 파일 처리하기
def load_files(path):
    freqs = []
    labels = []
    # glob - 특정 파일만 출력하기
    # https://wikidocs.net/3746
    file_list = glob.glob(path)
    for fname in file_list:
        r = check_freq(fname)
        freqs.append(r[0]) # 빈도수
        labels.append(r[1]) # 국가명
    return {'freqs':freqs, 'labels':labels}
data = load_files("pyml_rev_examples/ch4/lang/train/*.txt")
test = load_files("pyml_rev_examples/ch4/lang/test/*.txt")

# 이후를 대비해서 JSON으로 결과 저장하기 - 이미지 출력용
# JSON 으로 결과 저장했지만 피클로 저장해도 상관없음
with open('pyml_rev_examples/ch4/lang/freq.json', 'w', encoding='utf-8') as fp:
    json.dump([data, test], fp)

# 학습하기 --- (4)
clf = svm.SVC()
clf.fit(data["freqs"], data["labels"])

SVC()

# 예측하기 --- (5)
predict = clf.predict(test['freqs'])

# 결과 테스트하기 --- (6)
ac_score = metrics.accuracy_score(test['labels'], predict)
cl_report = metrics.classification_report(test['labels'], predict)
print("정답률 =", ac_score)
print("리포트 =")
print(cl_report)

정답률 = 1.0
리포트 =
              precision    recall  f1-score   support

          en       1.00      1.00      1.00         2
          fr       1.00      1.00      1.00         2
          id       1.00      1.00      1.00         2
          tl       1.00      1.00      1.00         2

    accuracy                           1.00         8
   macro avg       1.00      1.00      1.00         8
weighted avg       1.00      1.00      1.00         8

데이터마다의 분포를 그래프로 확인

알파벳의 빈도가 어떻게 다른지 시각적으로 확인

import matplotlib.pyplot as plt
import pandas as pd
import json

# 알파벳 출현 빈도 데이터 읽어 들이기 --- (※1)
with open("pyml_rev_examples/ch4/lang/freq.json", "r", encoding="utf-8") as fp:
    freq = json.load(fp)

# 언어마다 계산하기 --- (2)
lang_dic = {}
for i, lbl in enumerate(freq[0]['labels']):
    fq = freq[0]['freqs'][i]
    if not (lbl in lang_dic):
        lang_dic[lbl] = fq
        continue
    for idx, v in enumerate(fq):
        lang_dic[lbl][idx] = (lang_dic[lbl][idx] + v) / 2

# Pandas의 DataFrame에 데이터 넣기 --- (3)
asclist = [[chr(n) for n in range(97, 97+26)]]
df = pd.DataFrame(lang_dic, index=asclist)

df.head()

	en	fr	id	tl
a	0.073919	0.076504	0.171599	0.201979
b	0.020681	0.012910	0.025640	0.022360
c	0.033506	0.036590	0.007429	0.015670
d	0.039112	0.050464	0.040608	0.027269
e	0.131043	0.148523	0.081552	0.055009

# 그래프 그리기 --- (4)
df.plot(kind='bar', subplots=True, ylim=(0, 0.15)) # subplots=True =>각각
plt.savefig('lang-plot.png')

# 다른 그래프로 확인
df.plot(kind='line')

Web 인터페이스 추가

언어판정 모델을 활용해서 언어 판정 웹 서비스 개발

!pip install joblib

Requirement already satisfied: joblib in c:\programdata\anaconda3\envs\r_study\lib\site-packages (0.16.0)

# 언어 판정 마다 데이터 학습은 필요 없으니 학습 모델 저장
from sklearn import svm 
import joblib

# 각 언어의 출현 빈도 데이터(JSON) 읽어 들이기
with open("pyml_rev_examples/ch4/lang/freq.json", "r", encoding="utf-8") as fp:
    d = json.load(fp)
    data = d[0]
# 데이터 학습하기
clf = svm.SVC()
clf.fit(data['freqs'], data['labels'])
# 학습 데이터 저장하기
# 학습한 모델을 저장할 수 있는 joblib
# https://minwook-shin.github.io/python-disk-caching-parallel-computing-using-joblib/
joblib.dump(clf, 'pyml_rev_examples/ch4/lang/freq.pkl')
print('ok')

ok

cgi program 구성

파이썬 내장 웹서버 구성
cgi-bin 폴더 내부에 프로그램 배치, 폴더 상위가 root 가 됨
root/cgi-bin/웹프로그램.py
root 에서 명령어 실행(anaconda 콘솔에서 실행)
- python -m http.server --cgi 포트
웹프로그램 실행
- http://localhost:8080/cgi-bin/lang-Webapp.py

#!/usr/bin/env python3
import cgi, os.path
from sklearn.externals import joblib

# 학습 데이터 읽어 들이기 ★
pklfile = os.path.dirname(__file__) + '/freq.pkl'
clf = joblib.load(pklfile)

# 텍스트 입력 양식 출력하기
def show_form(text, msg=""):
    print("Content-Type: text/html; charset=utf-8")
    print("")
    print("""
        <html><body><form>
        <textarea name="text" rows="8" cols="40">{0}</textarea>
        <p><input type="submit" value="판정"></p>
        <p>{1}</p>
        </form></body></html>
    """.format(cgi.escape(text), msg))

# 판정하기
def detect_lang(text):
    # 알파벳 출현 빈도 구하기
    text = text.lower() 
    code_a, code_z = (ord("a"), ord("z"))
    cnt = [0 for i in range(26)]
    for ch in text:
        n = ord(ch) - code_a
        if 0 <= n < 26: cnt[n] += 1
    total = sum(cnt)
    if total == 0: return "입력이 없습니다"
    freq = list(map(lambda n: n/total, cnt))
    # 언어 예측하기 ★
    res = clf.predict([freq])
    # 언어 코드를 한국어로 변환하기
    lang_dic = {"en":"영어","fr":"프랑스어",
        "id":"인도네시아어", "tl":"타갈로그어"}
    return lang_dic[res[0]]

# 입력 양식의 값 읽어 들이기
form = cgi.FieldStorage()
text = form.getvalue("text", default="")
msg = ""
if text != "":
    lang = detect_lang(text)
    msg = "판정 결과:" + lang

# 입력 양식 출력
show_form(text, msg)

위 코드 메모장에 붙여넣기 후 lang-Webapp.py (파일형식 : 모든파일)로 저장

'머신러닝' 카테고리의 다른 글

교차검증 (0)	2020.07.28
랜덤 포레스트 (0)	2020.07.28
SVM (0)	2020.07.28
데이터 전처리 (0)	2020.07.23

ABOUT ME

Bigdata Bigdata

머신러닝이란?

머신러닝(machine learning) 개요

어떻게 특징과 규칙을 찾을까?

특징 추출

회귀 분석 regression analysis

머신러닝의 종류

지도학습(교사학습) Supervised learning

비지도학습(비교사학습) Unsupervised learning

강화학습 Reinforcement learning

머신러닝의 흐름

데이터 수집

데이터 가공

학습

평가

머신러닝 응용 분야

클래스 분류(Classification)

클러스터링 - 그룹 나누기(Clustering)

추천(Recomendation)

회귀(Regression)

차원 축소(Dimensionality Reduction)

초과 학습(초과 적합) Overfitting

머신러닝 프레임워크 scikit-learn

XOR 연산 학습하기

프레임워크로 작성하기

붓꽃의 품종 분류하기

훈련용 / 테스트 데이터 분할 메서드

이미지 내부의 문자 인식

손글씨 숫자 인식

외국어 문장 판별하기

'머신러닝' 카테고리의 다른 글

티스토리툴바

ABOUT ME

머신러닝이란?

머신러닝(machine learning) 개요

어떻게 특징과 규칙을 찾을까?

특징 추출

회귀 분석 regression analysis

머신러닝의 종류

지도학습(교사학습) Supervised learning

비지도학습(비교사학습) Unsupervised learning

강화학습 Reinforcement learning

머신러닝의 흐름

데이터 수집

데이터 가공

학습

평가

머신러닝 응용 분야

클래스 분류(Classification)

클러스터링 - 그룹 나누기(Clustering)

추천(Recomendation)

회귀(Regression)

차원 축소(Dimensionality Reduction)

초과 학습(초과 적합) Overfitting

머신러닝 프레임워크 scikit-learn

XOR 연산 학습하기

프레임워크로 작성하기

붓꽃의 품종 분류하기

훈련용 / 테스트 데이터 분할 메서드

이미지 내부의 문자 인식

손글씨 숫자 인식

외국어 문장 판별하기

'머신러닝' 카테고리의 다른 글

관련글 관련글 더보기

티스토리툴바