기계는 거짓말하지 않는다

얼마나 분류를 정확하게 했는가에 대한 성능평가 방법으로 Accuracy, Precision, Recall, F1 Score을 사용할 수 있다. Accuracy (TP + TN) / (TP + FP + FN + TN) 실제 맞은 개수 Precision TP / All True Predictions TP / (TP + FP) True라고 예측 한 것 중 실제 값이 True인 것. TP FP 개수 중에 TP가 몇 개인가 실제 True를 얼마나 잘 예측 했는가 Recall TP / All Truths TP / (TP + FN) 실측값 True 중 진짜 True라고 예측 한 것. F1 Score 2 × (Precision × Recall) / (Precision + Recall) Precision, Recall의..

import torch # torch version, gpu 사용 여부, 이름 체크 print("torch version>>", torch.__version__) print("GPU 사용 유무>>", torch.cuda.is_available()) print("GPU 이름>> ", torch.cuda.get_device_name(0)) ''' torch version>> 1.7.1+cu101 GPU 사용 유무>> True GPU 이름>> GeForce GTX 1650 ''' # device 설정. GPU 사용 가능 여부에 따라 device 정보 저장 device = "cuda:0" if torch.cuda.is_available() else "cpu" print(device) # cuda:0

torchvision.datasets.VOCDetection를 상속받아 클래스를 만든 후 생성 시 download 매개변수를 True를 주면 VOC 데이터셋을 자동으로 다운로드 받을 수 있다. 상세한 매개변수는 voc.py의 class _VOCBase를 참조하면 된다. 기본값은 아래와 같다. class _VOCBase(VisionDataset): _SPLITS_DIR: str _TARGET_DIR: str _TARGET_FILE_EXT: str def __init__( self, root: str, year: str = "2012", image_set: str = "train", download: bool = False, transform: Optional[Callable] = None, target_t..

Scikit Learn 라이브러리에서 제공하는 데이터 셋 중 Iris 꽃의 데이터이다. from sklearn.datasets import load_iris iris_dataset = load_iris() print(type(iris_dataset) # sklearn.utils.Bunch print(iris_dataset.keys()) # dict_keys(['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names', 'filename']) print(iris_dataset['DESCR'][:193]) ''' .. _iris_dataset: Iris plants dataset -------------------- **Data Set Chara..

숫자 값으로 떨어지는, 어떤 특정한 숫자 값을 예측하는 문제 종류 Ordinal Regression: 데이터 내 상대적 순서나 랭킹 예측, 음수 x, 소수점 x ex) 강연 참석자의 선호도, URL 즐겨찾기 순서 Poisson Regression: 어떤 이벤트가 발생할 횟수 예측, 이산분포를 따르며 음의 정수값 x, 소수점 x ex) 비행기 탑승에 따른 병원 방문 횟수 Fast Forest Quantile Regression: 값의 분산/분포 예측, 정확한 값을 알고 싶은게 아님 ex) 성적 예측을 통한 학생들의 발달 단계 평가 정확한 값, 판매량, 사이즈 등 예측은 아래 다섯 가지 사용 용이 Linear Regression: 가장 일반적인 선형 회귀 알고리즘, 어떤 알고리즘을 써야할지 잘 모를 때도 사..

import torch model = # 모델 생성 # 모델 저장 save_name = "model_final" torch.save(model.state_dict(), f"Directory/{save_name}.pth") # 모델 불러오기 load_name = "model_final" model.load_state_dict(torch.load(f"Directory/{load_name}.pth")) # 경로, 저장 모델 이름 # 설정 값 세부 저장 checkpoint = { 'model': model.state_dict(), 'optimizer': optimizer.state_dict(), 'lr_scheduler': lr_scheduler.state_dict(), 'epoch': epoch } torch..

특성(feature): 모델이 학습하는 데이터의 특성 값(하나의 데이터는 1개 이상의 특성을 가짐) 레이블(label): 모델이 예측한 정답 값 Y = w × X + b Y = Label (정답, tag, target이라고도 부름) X = Feature (변수가 됨) w, b를 머신러닝 모델이 구해줌 머신러닝 훈련 시 전체 데이터의 70~80%를 훈련, 20~30%를 평가할 때 사용 Feature Engineering: 사람이 여러 개의 Feature가 있을 때 어느 것이 최종 아웃풋에 영향을 미칠지 아닐지 고려해 가면서 변수를 조정하고 빼고 하는 것. 영향이 없는 것은 제외. 모델 학습의 혼란을 줄임 Feature Extraction: 기계가 특징을 뽑아냄. 사람이 Feature를 건드리지 않음. 딥러..

범주: 인공지능 > 머신 러닝(인공지능 구현 기술) > 딥 러닝(머신 러닝 구현 알고리즘 중 하나) 인공지능(AI): 컴퓨터가 인간의 지능을 모방해 인간과 비슷하게 동작하도록 만들어진 모든 기술 의미 머신 러닝(Machine Learning): 인공지능을 만들기 위해서 어떻게 할지, 데이터를 학습하도록 하는 기술을 의미 딥 러닝(Deep Learning): 머신 러닝 안에 Logistic Regression, Decision Tree, SVM(Supported Vector Machine) 등 다양한 알고리즘이 존재하는데 그중에 하나인 인공신경망(Artificial Neural Network)를 사용하는 방법 머신 러닝 종류 Semi-supervised learning(준 지도 학습)도 존재하지만 크게 세..