🌷나의 선인장🌵

Ensemble 앙상블 여러 개의 머신러닝 model을 연결하여 강력한 model을 만드는 기법 classifier/regression에 전부 효과적 random forest와 gradient boosting은 둘다 model을 구성하는 기본 요소로 decision tree를 사용한다 random forest 조금씩 다 다른 여러 decision tree의 묶음 랜덤 포레스트의 등장 배경 : 각각의 tree는 비교적 예측을 잘 할 수 있지만, 데이터의 일부에 overfitting하는 경향을 가짐 따라서, 잘 작동하지만 서로 다른 방향으로 overfitting된 tree를 많이 만들고 그 결과를 평균내면 overfitting을 줄일 수 있다 이렇게 하면 tree model의 예측 성능은 유지하되 overf..

단순선형회귀 하나의 특성을 이용해서 타겟 예측 y = wx + b y : 예측값 x : 특성 w : 가중치/계수(coefficient) b : 편향(offset) 주어진 sample data들을 이용하여 가장 적합한 w와 b를 찾아야 함 -> 보통 경사하강법(gradient descent)를 이용해서 찾는다 다중선형회귀 여러 개의 특성을 이용해서 타겟 예측 y = w0x0 + w1x1 = w2x2 + ... + b 역시 MSE를 최소화하는 가장 적합한 w들과 b를 찾는 것이 목표 문제 : 과대적합 될 때가 종종 있다 => 일반화 능력이 떨어진다 릿지(Ridge)와 라쏘(Lasso) 방법으로 해결

메모리 구조 : program을 실행시키면 운영체제는 우리가 실행시킨 program을 위해 메모리 공간을 할당해줌. 즉 os는 program을 실행시키기 위한 메모리 공간을 제공 할당되는 메모리 공간은 stack, heap, data 영역으로 나눠짐 이러한 메모리 공간이 어떠한 용도로, 언제, 어디서 할당되는가 할당 시기: 프로그램이 실행될때마다 할당 장소: main memory (RAM) 할당 용도: program 실행 시 필요한 메모리 공간(지역/전역변수 선언을 위해) 할당 데이터 영역 : 전역변수와 static 변수가 할당되는 영역 프로그램이 시작과 동시에 할당되고 program이 종료되면 메모리에서 소멸됨 #include int a=10; // data 영역에 할당 int b=20; // prog..

프로세스와 스레드 process and thread 운영체제 유형 다중 프로그래밍 시스템 (multi programming) cpu가 수행할 작업을 항상 가지도록 하여 cpu 이용률 증진 운영체제는 메모리에 있는 작업 중에서 하나를 택하여 실행한다. multi programming이 아닌 시스템에서는 이 작업은 키보드에서 명령을 입력하거나, 입출력 조작이 끝나는 것과 같은 어떤일을 기다려야할 필요가 있을 수 있는데 이때 cpu가 유휴상태에 놓이게 된다. 하지만, multi programming system에서는 운영체제가 간단히 다른 작업으로 전환하여 그것을 수행하도록 한다. 앞의 작업이 끝나면 이 작업은 cpu를 다시 차지하게 된다. 따라서 수행될 작업이 기억장치에 적재되어 있으면 cpu는 쉬지 않는다..

kernel과 shell의 차이 kernel = core, 핵심 shell = 껍데기 우리가 terminal에 ls라고 입력하면 우리가 입력한 명령은 shell에게 명령을 한것. 그럼 shell은 이것을 해석해서 kernel이 이해할 수 있도록 kernel에게 전달 그럼 kernel은 hardware를 제어해서 일을 수행하도록 함 hardware는 처리결과를 다시 kernel에게, kernel은 다시 shell에게 알려줌 그럼 shell이 실행된 결과를 우리에게 보여주는 것. 그것이 바로 ls를 enter했을 때의 결과인 목록들을 열거해주는 것 kernel과 shell을 왜 분리하는가? - 사용자가 더 편리하게 kernel을 제어할 수 있도록 하기 위해서 shell과 kernel을 분리한다.

알고리즘 : 1) cluster의 개수 k를 지정 k개의 초기 평균값 지정 2) 선태한 k개의 cluster 중심과 개별 데이터 사이의 거리 계산 개별 데이터는 가장 가깝게 있는 cluster의 중심을 그 데이터가 소속되는 cluster로 할당 3) 클러스터에 속하게 된 데이터들의 평균값을 새로운 클러스터의 중심으로 둠 4) 2~3단계를 알고리즘이 수렴할 때까지 반복 (클러스터의 중심이 더이상 변하지 않을 때까지) 출처 : m.blog.naver.com/PostView.nhn?blogId=samsjang&logNo=221016339218&proxyReferer=https:%2F%2Fwww.google.com%2F [30편] k-means 클러스터링 우리는 여태까지 답이 이미 제시되어 있는 데이터를 이용하..

#python 가상환경 만들기 #가상환경에 jupyter notebook설치 #파이썬 가상환경에 쥬피터노트북 설치 1. 가상환경 만들기python3 -m venv 가상환경_이름 2. 가상환경 활성화source 가상환경_이름/bin/activate pip 로 패키지 관리pip 라는 프로그램을 사용하여 패키지를 설치, 업그레이드 및 제거할 수 있습니다.pip 는 "search", "install", "uninstall", "freeze" 등 많은 부속 명령을 갖고 있습니다 참고 :https://docs.python.org/ko/3/tutorial/venv.html jupyter notebook 에 가상환경 추가(참고) https://medium.com/@5eo1ab/jupyter-notebook에-가상환경-..

color 이름, hex code, RGB 코드가 나열되어 있습니다. CSS color codes CSS color codes and names. Red colors Orange colors Yellow colors Green colors Cyan colors Blue colors Purple colors Pink colors White colors Gray colors Brown colors CSS color Red colors Color HTML / CSS Color Name Hex Code #RRGGBB Decimal Code (R,G,B) lightsalmon #FFA07A rgb(255,160,122) salmon #FA8072 rgb(250,128,114) darksalmon #E9967A r..

머신러닝에 관련한 글을 읽다보면 "ground-truth"라는 용어를 많이 접하게 된다. "ground-truth"는 기상학에서 유래하였으며, 어느 한 장소에서 수집된 정보를 의미하는 용어로 사용되었다고 한다. 그렇다면 machine learning/AI의 문맥에서 사용되는 "ground-truth"의 뜻은 무엇인가. What is ground truth? Ground truth isn't true. It's an ideal expected result. It might involve hand-labeling example datapoints to collect desirable answer data for training your system. For example, a set of images mig..