나를 찾아가는 길

preds = [1 if x > 0.5 else 0 for x in predicts] # pred_확률 threshold 지정해서 0,1 분류해주기!!

올해 1월부터 코드프레소 체험단에 선정되어 인공지능 트랙 강의를 수강하기 시작했다. 후기 1탄은 아래 참고 ↓↓↓↓ https://ari950505.tistory.com/32 [코드프레소 체험단] AI인공지능 트랙 후기 (1) 올해 1월부터 코드프레소 체험단에 선정되어 인공지능 트랙 강의를 수강하기 시작했다. 한 달동안 강의를 들어본 결과 개인적으로 매우 만족하며 듣고 있다. 현재 Machine Learning 공부를 따로 하고 ari950505.tistory.com 지도 학습 중 중요하다고 생각하는 회귀와 분류분석 강의를 수강했다. 개인적으로 굉장히 도움이 많이 되었다. 통계적인 지식도 많이 다질 수 있었고 덕분에 Confusion matrix TP,FN 등의 정의는 확실하게 알게되었다. 그 전에는 이..

올해 1월부터 코드프레소 체험단에 선정되어 인공지능 트랙 강의를 수강하기 시작했다. 한 달동안 강의를 들어본 결과 개인적으로 매우 만족하며 듣고 있다. 현재 Machine Learning 공부를 따로 하고 있는데 예습 겸 복습으로 듣기 좋고, 강의내용이 심플하고 실습도 해줘서 기초적인 머신러닝 모델 지식을 쉽게 얻을 수 있다. 코딩/인공지능/통계를 처음 접하는 분들에게는 바로 따라가기 좀 어려울 수도 있다는 생각이 들긴 한다. 인공지능 트랙을 듣기 위해 관련 background knowledge를 어느정도 갖추고 있어야 따라가기 쉬울 수 있을 것 같다. 나는 완전 쌩문과 비전공자(신방과)이기 때문에 혼자 통계나 코딩 부분 지식을 보충하면서 열심히 따라가는 중이다. 1. 파이썬으로 시작하는 머신러닝 htt..

np.random.seed() : seed 를 통한 난수 생성 np.random.randint(): 균일 분포의 정수 난수 1개 생성 np.random.rand(): 0부터 1사이의 균일한 확률 분포로 실수 난수 matrix array 생성 np.random.randn() : 기댓값이 0, 표준편차가 1인 가우시안 표준 정규 분포를 따르는 난수 matrix array 생성 normal() np.random.shuffle() : 기존의 데이터 순서 바꾸기 np.random.choice() : 기존의 데이터에서 sampling 표본추출 np.bincount() : 발생하지 않은 사건에 대해서도 카운트 np.random.randint(0,3) # 0-3 사이 난수 1개 np.random.rand(x,y) # ..

import warnings warnings.filterwarnings(action='ignore')

seoul['date']=pd.to_datetime(seoul['날짜'],format='%Y-%m-%d') seoul['year'] = seoul.date.dt.year #연도 seoul['month'] = seoul.date.dt.month #월 seoul['day'] = seoul.date.dt.day #일 seoul['week'] = seoul.date.dt.day_name() # 요일

del data_frame['연봉'] #열삭제 data_frame.drop([24,25],inplace=True) #인덱스로 행삭제 data_frame.drop(columns='성별',axis=1,inplace=True) #컬럼명으로 열 삭제 data_iris.drop(index = outlierss, inplace=True) #인덱스로 행 삭제

3가지 fomatting 방법 정리 : 1. f-string 포매팅: a = 1 b = 2 result = a + b print(f'{a} + {b}의 합은 {result}입니다.') 출력결과 : 1 + 2의 합은 3입니다. 번외: 정렬: str1 = 'left' print(f'|{str1:10}|') # > 오른쪽정렬 중괄호 출력: a = 2 print(f'a is {{a}},{{{a}}}') 2. %포매팅: %s : string %d : 정수 %f : float a = 3 b = 5 str = '연산' add = a+b div = a/b print(' %s을 해보자! 합 : %d, 나눈 값: %.2f'%(str, add, div)) 3. str.format : a = 1 b = 2 result = a..

parameter : 모집단의 특성을 나타내는 모수. ( 파라미터를 매개변수라고 많이 부르는데 모수가 더 정확한 표현이라고 한다.) 평균값, 분산, 중앙값, weight coefficient (가중치), bias(편의) 등등→ 조정 불가 hyper parameter : epoch, learning rate 등 더 좋은 예측 결과를 위해 조정을 할 수 있는 파라미터. → 직접 조정 가능 보통 가중치(기울기) 변화를 주기 위해 하이퍼 파라미터를 조정 → 가중치 변화율 관찰 → 더 좋은 예측 결과 찾아내기의 여정. 학습하는 동안 적용할 규제의 양은 하이퍼파라미터가 결정한다. 하이퍼파라미터는 (모델이 아니라) 학습 알고리즘의 파라미터. 학습 알고리즘으로부터 영향을 받지 않으며, 훈련 전에 미리 지정되고, 훈련하..

Step 1. nbextensions라는 패키지를 설치 !pip install jupyter_contrib_nbextensions Step 2. notebook 확장자 jupyter 서버에 등록 !jupyter nbextensions_configurator enable --user