해커에게 전해들은 머신러닝 #3
Download as PPTX, PDF11 likes2,832 views
한빛미디어 리얼타임 세미나 '해커에게 전해들은 머신러닝' 강의 자료(3/4) http://www.hanbit.co.kr/store/education/edu_view.html?p_code=S4788493436
![출력 레이어 그래디언트
출력
레이어
𝑤2
*
+
𝑡
𝑏2
𝑦
𝑦 − 𝑦
𝑦 − 𝑦 𝑡
𝑦 − 𝑦 1
𝑦 − 𝑦 𝑤2
𝑦 − 𝑦 = 1617 × 10
𝑡 = 1617 × 100
𝑡 𝑇 = 100 × 1617
𝑡 𝑇 ⋅ 𝑦 − 𝑦 = [100 × 10]
1617개의 훈련 데이터에 각각의
에러를 곱하기 위해 전치시킴](https://image.slidesharecdn.com/3-161114054600/85/3-63-320.jpg)
![출력 레이어 그래디언트
출력
레이어
𝑤2
*
+
𝑡 𝑦
𝑦 − 𝑦
𝑦 − 𝑦 𝑤2
𝑦 − 𝑦 = 1617 × 10
𝑤2 = 100 × 10
𝑤2
𝑇
= 10 × 100
𝑦 − 𝑦 ⋅ 𝑤2
𝑇
= [1617 × 100]
1617개의 에러를 10개의 출력 유닛
에서 100개의 히든 유닛으로 분할](https://image.slidesharecdn.com/3-161114054600/85/3-65-320.jpg)
![히든 레이어 그래디언트
출력
레이어
𝑤1
*
+
𝑥
𝑏1
𝑡
𝑒𝑟𝑟2
𝑒𝑟𝑟2 𝑥
𝑒𝑟𝑟21
𝑦 − 𝑦 𝑤2 𝑡 1 − 𝑡 = 𝑒𝑟𝑟2 = 1617 × 100
𝑥 = 1617 × 64
𝑥 𝑇 = 64 × 1617
𝑥 𝑇 ⋅ 𝑒𝑟𝑟2 = [64 × 100]
1617개의 훈련 데이터에 각각의
에러를 곱하기 위해 전치시킴](https://image.slidesharecdn.com/3-161114054600/85/3-67-320.jpg)
해커에게 전해들은 머신러닝 #3
- 1. 해커에게 전해들은 머신러닝-3 tensorflowkorea.wordpress.com/슬라이드-자료/ tensorflowkorea.wordpress.com/2016/10/29/해커에게-전해들은-머신러닝 github.com/rickiepark/ml-learn 2016. 11. Park Haesun([email protected])
- 2. 여러개를 분류하기
- 3. 로지스틱 회귀 Neuron 𝑤 * + Sigmoid 0 아니면 1 (악성) (양성) 𝑦 = 1 1 + 𝑒−𝑧 𝑥 𝑏 𝑦
- 6. 멀티 클래스 분류(Multi Class Classification) Dog Cat Rabbit Sigmoid Sigmoid Sigmoid 0 아니면 1(토끼) 0 아니면 1(고양이) 0 아니면 1(강아지)
- 8. 멀티 클래스 분류의 비용 함수 크로스 엔트로피(Cross Entropy) 𝐽 = − 1 𝑚 𝑖=1 𝑚 𝑦𝑙𝑜𝑔 𝑦
- 9. 비용 계산 Dog Cat Rabbit 0.8 0.3 0.1 𝐽 = − 1 𝑚 𝑖=1 𝑚 𝑦𝑙𝑜𝑔 𝑦
- 10. 비용 계산 Dog Cat Rabbit 0.8 0.3 0.1 𝑦 = 𝑑𝑜𝑔 𝑐𝑎𝑡 𝑟𝑎𝑏𝑏𝑖𝑡 = 1 0 0 𝑦 = 0.1 0.8 0.3 𝐽 = − 1 𝑚 𝑖=1 𝑚 𝑦𝑙𝑜𝑔 𝑦
- 11. 비용 계산 Dog Cat Rabbit 0.8 0.3 0.1 𝐽 = − 1 × ln 0.1 + 0 × ln 0.8 + 0 × ln 0.3 /𝑚 𝑦 = 𝑑𝑜𝑔 𝑐𝑎𝑡 𝑟𝑎𝑏𝑏𝑖𝑡 = 1 0 0 𝑦 = 0.1 0.8 0.3 𝐽 = − 1 𝑚 𝑖=1 𝑚 𝑦𝑙𝑜𝑔 𝑦
- 12. 소프트맥스
- 13. 어느 것이 강아지에 가까울까? Dog Cat Rabbit 𝑦1 = 0.9 0.8 0.7 𝑦2 = 0.5 0.2 0.1
- 14. 소프트맥스 𝑦 𝑑𝑜𝑔 = 𝑒 𝑑𝑜𝑔 𝑧 𝑒 𝑑𝑜𝑔 𝑧 + 𝑒 𝑐𝑎𝑡 𝑧 + 𝑒 𝑟𝑎𝑏𝑏𝑖𝑡 𝑧 = 𝑒 𝑑𝑜𝑔 𝑧 𝑖=1 𝑛 𝑒 𝑧 𝑖 𝑧 = 𝑤 × 𝑥 + 𝑏 𝑦 = 𝑦 𝑑𝑜𝑔 𝑦 𝑐𝑎𝑡 𝑦 𝑟𝑎𝑏𝑏𝑖𝑡
- 15. 시그모이드의 z 값 구하기 𝑦1 = 0.9 0.8 0.7 𝑦2 = 0.5 0.2 0.1 𝑦 = 1 1 + 𝑒−𝑧 𝑧 = −𝑙𝑛 1 𝑦 − 1
- 16. 시그모이드의 z 값 구하기 𝑦1 = 0.9 0.8 0.7 𝑦2 = 0.5 0.2 0.1 𝑦 = 1 1 + 𝑒−𝑧 𝑧 = −𝑙𝑛 1 𝑦 − 1 𝑧1 = 2.2 1.39 0.85 𝑧2 = 0 −1.39 −2.2 𝑦 𝑑𝑜𝑔 = 𝑒 𝑑𝑜𝑔 𝑧 𝑖=1 𝑛 𝑒 𝑧 𝑖
- 17. 시그모이드의 z 값 구하기 𝑦1 = 0.9 0.8 0.7 𝑦2 = 0.5 0.2 0.1 𝑦 = 1 1 + 𝑒−𝑧 𝑧 = −𝑙𝑛 1 𝑦 − 1 𝑧1 = 2.2 1.39 0.85 𝑧2 = 0 −1.39 −2.2 𝑦 𝑑𝑜𝑔 = 𝑒 𝑑𝑜𝑔 𝑧 𝑖=1 𝑛 𝑒 𝑧 𝑖 𝑦1 = 0.59 0.26 0.15 𝑦2 = 0.74 0.18 0.08
- 18. 시그모이드의 z 값 구하기 𝑦 = 1 1 + 𝑒−𝑧 𝑧 = −𝑙𝑛 1 𝑦 − 1 𝑧1 = 2.2 1.39 0.85 𝑧2 = 0 −1.39 −2.2 𝑦 𝑑𝑜𝑔 = 𝑒 𝑑𝑜𝑔 𝑧 𝑖=1 𝑛 𝑒 𝑧 𝑖 𝑦1 = 𝟎. 𝟗 0.8 0.7 𝑦2 = 𝟎. 𝟓 0.2 0.1 𝑦1 = 𝟎. 𝟓𝟗 0.26 0.15 𝑦2 = 𝟎. 𝟕𝟒 0.18 0.08 시그모이드 출력 소프트맥스 출력 (정규화된 확률)
- 19. 소프트맥스 미분은? Neuron 𝑤 * + Softmax 𝑥 𝑏 𝑦 𝑦 = 𝑒 𝑧 𝑖=1 𝑛 𝑒 𝑧 𝑖 𝐽 = − 1 𝑚 𝑖=1 𝑚 𝑦𝑙𝑜𝑔 𝑦 그래디언트는?
- 20. 소프트맥스를 사용한 비용함수 미분 𝜕𝐽 𝜕𝑤 = − 1 𝑚 𝑖=1 𝑚 𝑦 − 𝑦 𝑥 선형 회귀, 로지스틱 회귀의 비용함수 미분과 동일 !
- 21. 그래디언트 전파 Neuron 𝑤 * + Softmax 𝑥 𝑏 𝑦 𝑦 = 𝑒 𝑧 𝑖=1 𝑛 𝑒 𝑧 𝑖 𝐽 = − 1 𝑚 𝑖=1 𝑚 𝑦𝑙𝑜𝑔 𝑦 𝑦 − 𝑦 𝑦 − 𝑦 𝑥 𝑦 − 𝑦 1
- 22. 주의: 구현시 고려사항 1 무한대 값 오버플로우 발생 𝑦 = 𝑒 𝑧 𝑖=1 𝑛 𝑒 𝑧 𝑖
- 23. 주의: 구현시 고려사항 1 𝑦 𝑑𝑜𝑔 = 𝑒1000 𝑒1000 + 𝑒500 + 𝑒10 = 𝑒1000 × 𝑒−1000 𝑒1000 + 𝑒500 + 𝑒10 × 𝑒−1000 = 𝑒1000−1000 𝑒1000−1000 + 𝑒500−1000 + 𝑒10−1000 = 𝑒0 𝑒0 + 𝑒−500 + 𝑒−900 = 1.0 최대값으로 뺀 후 소프트맥스 함수 적용
- 24. 주의: 구현시 고려사항 2 안전하지 않음 𝑦 = 1 1 + 𝑒−𝑧
- 25. 주의: 구현시 고려사항 2 안전하지 않음 𝑦 = 1 1 + 𝑒−𝑧 안전한 scipy.special.expit 함수를 사용함
- 26. 손글씨 숫자 데이터
- 27. load_digits load_digits 데이터셋 이용 1797개 데이터 8x8 크기 0~9 까지 숫자
- 29. 이미지 확인 반전 그레이톤
- 30. train_test_split 컬러 값 정규화 훈련 / 테스트 데이터 분리
- 31. 원 핫 인코딩(One Hot Encoding) 𝑦 = 𝑑𝑜𝑔 𝑐𝑎𝑡 𝑟𝑎𝑏𝑏𝑖𝑡 = 1 0 0
- 32. 원 핫 인코딩(One Hot Encoding) 𝑦 = 𝑑𝑜𝑔 𝑐𝑎𝑡 𝑟𝑎𝑏𝑏𝑖𝑡 = 1 0 0 X
- 33. OneHotEncoder 10개 클래스 2차원 배열 변경
- 34. 딥 뉴럴 네트워크
- 35. 뉴럴 네트워크 완전 연결 뉴럴 네트워크 (Fully Connected Neural Network) 덴스 네트워크 (Dense Network) 딥 뉴럴 네트워크 (Deep Neural Network, DNN) 입력 데이터 자체
- 36. 퍼셉트론(Perceptron) 1957년 프랑크 로젠블라트가 발표 뉴럴 네트워크를 멀티레이어 퍼셉트론으로도 부름 사이킷런(v0.18)에는 MLPClassifier, MLPRegressor
- 37. 완전 연결이 아닌 네트워크 콘볼루션 뉴럴 네트워크 (Convolution Neural Network) 리커런트 뉴럴 네트워크 (Recurrent Neural Network)
- 38. 피드 포워드 뉴럴 네트워크 = 완전 연결 뉴럴 네트워크 (Fully Connected Neural Network) = 덴스 네트워크 (Dense Network) = 멀티 레이어 퍼셉트론 (Multi-Layer Perceptron) = 피드 포워드 뉴럴 네트워크 (Feed Forward Neural Network)
- 39. 완전 연결 레이어
- 40. 100개의 히든 유닛 ... ... 히든 레이어 입력 레이어 출력 레이어 이미지의 64개 픽셀 숫자 10개 분류 시그모이드 소프트맥스 𝑥 𝑦 𝑤1, 𝑏1 𝑤2, 𝑏2
- 41. 바이어스 표기 방식 ... ... 이미지의 64개 픽셀 숫자 10개 분류 𝑥 𝑦 𝑤1 𝑏1 𝑏2 𝑤2
- 42. 뉴런의 갯수 히든 레이어 100개 + 출력 레이어 10개 = 110개
- 43. 뉴런의 갯수 히든 레이어 100개 + 출력 레이어 10개 = 110개 히든 유닛의 갯수가 수백, 수천개이고 레이어의 갯수가 수십, 수백라면?
- 44. 뉴런의 식 A B C a b 𝑤 𝑎𝐴 𝑤 𝑎𝐵 𝑤 𝑎𝐶 𝑏 𝑎 𝑎 = 𝐴 × 𝑤 𝑎𝐴 + 𝐵 × 𝑤 𝑎𝐵 + 𝐶 × 𝑤 𝑎𝐶 + 𝑏 𝑎
- 45. 뉴런의 식 A B C a b 𝑤 𝑎𝐴 𝑤 𝑎𝐵 𝑤 𝑎𝐶 𝑏 𝑎 𝑨 𝑩 𝑪 × 𝒘 𝒂𝑨 𝒘 𝒂𝑩 𝒘 𝒂𝑪 + 𝒃 𝒂 = (𝒂) 행렬 곱으로 표현 가능 𝑎 = 𝐴 × 𝑤 𝑎𝐴 + 𝐵 × 𝑤 𝑎𝐵 + 𝐶 × 𝑤 𝑎𝐶 + 𝑏 𝑎
- 46. 행렬곱(Dot Product) 1 × 7 + 2 × 9 + 3 × 11 = 58 행(row) 열(column)
- 47. 행렬식 A B C a b 𝑤 𝑎𝐴 𝑤 𝑎𝐵 𝑤 𝑎𝐶 𝑏 𝑎 𝑎 = 𝐴 × 𝑤 𝑎𝐴 + 𝐵 × 𝑤 𝑎𝐵 + 𝐶 × 𝑤 𝑎𝐶 + 𝑏 𝑎 𝑨 𝑩 𝑪 × 𝒘 𝒂𝑨 𝒘 𝒃𝑨 𝒘 𝒂𝑩 𝒘 𝒃𝑩 𝒘 𝒂𝑪 𝒘 𝒃𝑪 + 𝒃 𝒂 𝒃 𝒃 = (𝒂 𝒃) 𝑏 = 𝐴 × 𝑤 𝑏𝐴 + 𝐵 × 𝑤 𝑏𝐵 + 𝐶 × 𝑤 𝑏𝐶 + 𝑏 𝑏
- 48. 행렬식 A B C a b 𝑤 𝑏𝐴 𝑤 𝑏𝐵 𝑤 𝑏𝐶 𝑏 𝑏 𝑎 = 𝐴 × 𝑤 𝑎𝐴 + 𝐵 × 𝑤 𝑎𝐵 + 𝐶 × 𝑤 𝑎𝐶 + 𝑏 𝑎 𝑨 𝑩 𝑪 × 𝒘 𝒂𝑨 𝒘 𝒃𝑨 𝒘 𝒂𝑩 𝒘 𝒃𝑩 𝒘 𝒂𝑪 𝒘 𝒃𝑪 + 𝒃 𝒂 𝒃 𝒃 = (𝒂 𝒃) 𝑏 = 𝐴 × 𝑤 𝑏𝐴 + 𝐵 × 𝑤 𝑏𝐵 + 𝐶 × 𝑤 𝑏𝐶 + 𝑏 𝑏
- 49. 넘파이로는
- 50. 넘파이로는 𝑥1 1 ⋯ 𝑥64 1 𝑥1 2 ⋯ 𝑥64 2 𝑥1 3 ⋯ 𝑥64 3 ⋮ 𝑥1 1617 ⋯ 𝑥64 1617 × 𝑤1 1 ⋯ 𝑤100 1 𝑤1 2 ⋯ 𝑤100 2 ⋮ 𝑤1 64 ⋯ 𝑤100 64 + 𝑏1 ⋯ 𝑏100 = 𝑡1 1 ⋯ 𝑡100 1 𝑡1 2 ⋯ 𝑡100 2 ⋮ 𝑡1 1617 ⋯ 𝑡100 1617 1617개 데이터 64개의 픽셀 100개의 히든 레이어 출력 1617개 데이터 1617 × 64 ⋅ 64 × 100 + 100 = 1617 × 100
- 51. 가중치 행렬 크기 앞 레이어 유닛의 크기 X 현재 레이어 유닛의 크기
- 52. 가중치 행렬 크기 ... ... 히든 레이어 100개 입력 레이어 64개 출력 레이어 10개 이미지의 64개 픽셀 숫자 10개 분류 𝑦 𝑤2 = 100 × 10 𝑥 𝑤1 = 64 × 100
- 53. 히든 레이어 계산 ... ... 히든레이어 100개 이미지의 64개 픽셀 숫자 10개 분류 𝑦𝑥 1617 × 64 ⋅ 64 × 100 + 100 = 1617 × 100 𝒙 ⋅ 𝒘 𝟏 + 𝒃 𝟏 = 𝒕
- 54. 출력 레이어 계산 ... ... 히든레이어 100개 이미지의 64개 픽셀 숫자 10개 분류 𝑦𝑥 1617 × 100 ⋅ 100 × 10 + 10 = 1617 × 10 𝒕 ⋅ 𝒘 𝟐 + 𝒃 𝟐 = 𝒚
- 55. 정방향 계산 히든 레이어 계산 시그모이드 활성화 함수(expit) 출력 레이어 계산소프트맥스 계산
- 56. 소프트맥스 함수 행방향 최대값 행방향 exp 합계 열벡터로 변경 𝑦 = 𝑒 𝑧−𝑧 𝑚𝑎𝑥 𝑖=1 𝑛 𝑒 𝑧 𝑖−𝑧 𝑚𝑎𝑥 = 𝑒 𝑡𝑚𝑝 𝑖=1 𝑛 𝑒 𝑡𝑚𝑝 = 𝑒𝑥𝑝_𝑡𝑚𝑝 𝑖=1 𝑛 𝑒𝑥𝑝_𝑡𝑚𝑝𝑖
- 57. 그래디언트 행렬 계산
- 58. 가중치와 바이어스 그래디언트 히든 레이어 파라메타 출력 레이어 파라메타
- 59. 로지스틱 오차와 동일 출력 레이어 𝑤2 * + 𝑡 𝑏2 𝑦 𝑦 = 𝑒 𝑧 𝑖=1 𝑛 𝑒 𝑧 𝑖 𝐽 = − 1 𝑚 𝑖=1 𝑚 𝑦𝑙𝑜𝑔 𝑦 𝑦 − 𝑦 히든 레이어 𝑤1 * + 𝑥 𝑏1
- 60. 로지스틱 오차와 동일 출력 레이어 𝑤2 * + 𝑡 𝑏2 𝑦 𝜕𝐽 𝜕𝑤2 = 𝑦 − 𝑦 𝑡 𝑦 − 𝑦 𝑦 − 𝑦 𝑡 𝑦 − 𝑦 1 히든 레이어 𝑤1 * + 𝑥 𝑏1 𝑦 − 𝑦 𝑤2 𝜕𝐽 𝜕𝑏2 = 𝑦 − 𝑦 1 𝜕𝐽 𝜕𝑡 = 𝑦 − 𝑦 𝑤2
- 61. 로지스틱 오차와 동일 출력 레이어 𝑤2 * + 𝑡 𝑏2 𝑦 𝑦 − 𝑦 𝑦 − 𝑦 𝑡 𝑦 − 𝑦 1 히든 레이어 𝑤1 * + 𝑥 𝑏1 𝑒𝑟𝑟2 𝑥 𝑒𝑟𝑟21 𝑦 − 𝑦 𝑤2 𝜕𝐽 𝜕𝑤1 = 𝑦 − 𝑦 𝑤2 𝑡(1 − 𝑡)𝑥 𝜕𝐽 𝜕𝑏1 = 𝑦 − 𝑦 𝑤2 𝑡(1 − 𝑡)1 𝑠 = 1 1 + 𝑒−𝑧 𝜕𝑠 𝜕𝑥 = 𝑠(1 − 𝑠) 𝑒𝑟𝑟2 = 𝑦 − 𝑦 𝑤2 𝑡(1 − 𝑡)
- 62. 전치행렬
- 63. 출력 레이어 그래디언트 출력 레이어 𝑤2 * + 𝑡 𝑏2 𝑦 𝑦 − 𝑦 𝑦 − 𝑦 𝑡 𝑦 − 𝑦 1 𝑦 − 𝑦 𝑤2 𝑦 − 𝑦 = 1617 × 10 𝑡 = 1617 × 100 𝑡 𝑇 = 100 × 1617 𝑡 𝑇 ⋅ 𝑦 − 𝑦 = [100 × 10] 1617개의 훈련 데이터에 각각의 에러를 곱하기 위해 전치시킴
- 64. 넘파이로는 100 × 1617 ⋅ 1617 × 10 = 100 × 10 1617개의 그래디언 트가 모두 합쳐짐 전치행렬 𝑎𝑣𝑒𝑟𝑎𝑔𝑒( 1617 × 10 ) = 10 열방향으로 평균 𝑤2 𝑏2
- 65. 출력 레이어 그래디언트 출력 레이어 𝑤2 * + 𝑡 𝑦 𝑦 − 𝑦 𝑦 − 𝑦 𝑤2 𝑦 − 𝑦 = 1617 × 10 𝑤2 = 100 × 10 𝑤2 𝑇 = 10 × 100 𝑦 − 𝑦 ⋅ 𝑤2 𝑇 = [1617 × 100] 1617개의 에러를 10개의 출력 유닛 에서 100개의 히든 유닛으로 분할
- 66. 넘파이로는 1617 × 10 ⋅ 10 × 100 = 1617 × 100 전치행렬 𝑡
- 67. 히든 레이어 그래디언트 출력 레이어 𝑤1 * + 𝑥 𝑏1 𝑡 𝑒𝑟𝑟2 𝑒𝑟𝑟2 𝑥 𝑒𝑟𝑟21 𝑦 − 𝑦 𝑤2 𝑡 1 − 𝑡 = 𝑒𝑟𝑟2 = 1617 × 100 𝑥 = 1617 × 64 𝑥 𝑇 = 64 × 1617 𝑥 𝑇 ⋅ 𝑒𝑟𝑟2 = [64 × 100] 1617개의 훈련 데이터에 각각의 에러를 곱하기 위해 전치시킴
- 68. 넘파이로는 64 × 1617 ⋅ 1617 × 100 = 64 × 100 1617개의 그래디언 트가 모두 합쳐짐 전치행렬 𝑎𝑣𝑒𝑟𝑎𝑔𝑒( 1617 × 100 ) = 100 열방향으로 평균 𝑤1 𝑏1
- 69. 역방향 계산 𝑎𝑣𝑒𝑟𝑎𝑔𝑒( 1617 × 10 ) = 10 100 × 1617 ⋅ 1617 × 10 = 100 × 10 1617 × 10 ⋅ 10 × 100 = 1617 × 100 64 × 1617 ⋅ 1617 × 100 = 64 × 100 𝑎𝑣𝑒𝑟𝑎𝑔𝑒( 1617 × 100 ) = 100
- 70. 그래디언트 업데이트
- 71. 완전 연결 뉴럴 네트워크
- 72. fit 함수 y_hat이 0일때 음의 무한대 1일때 0 방지
- 73. predict 함수 행방향으로 가장 높은 값을 가진 배열의 위치를 반환. 배열의 위치 == 분류값
- 74. 파라메타 초기화
- 75. 모델 학습
- 76. 비용 함수 그래프
- 77. 사이킷런에서는
- 78. MLPClassifier
- 79. 감사합니다.
Editor's Notes
- #4: y 햇: h, f 등으로 쓰기도 함.
- #5: 데이터 마이닝은 지식이나 인사이트를 얻는다. 머신러닝은 새로운 데이터를 처리하는 데 촛점을 맞추므로 어떻게 해결되었는 지 적절하게 설명하기 어려울 수 있다.
- #6: 데이터 마이닝은 지식이나 인사이트를 얻는다. 머신러닝은 새로운 데이터를 처리하는 데 촛점을 맞추므로 어떻게 해결되었는 지 적절하게 설명하기 어려울 수 있다.
- #7: 데이터 마이닝은 지식이나 인사이트를 얻는다. 머신러닝은 새로운 데이터를 처리하는 데 촛점을 맞추므로 어떻게 해결되었는 지 적절하게 설명하기 어려울 수 있다.
- #8: 데이터 마이닝은 지식이나 인사이트를 얻는다. 머신러닝은 새로운 데이터를 처리하는 데 촛점을 맞추므로 어떻게 해결되었는 지 적절하게 설명하기 어려울 수 있다.
- #9: 통계학의 알고리즘에 많이 의존함. 통계학적 머신러닝이라고 부르기도 함. 컴퓨터 과학에 좀 더 실용적 접근이 많음.
- #10: 통계학의 알고리즘에 많이 의존함. 통계학적 머신러닝이라고 부르기도 함. 컴퓨터 과학에 좀 더 실용적 접근이 많음.
- #11: 통계학의 알고리즘에 많이 의존함. 통계학적 머신러닝이라고 부르기도 함. 컴퓨터 과학에 좀 더 실용적 접근이 많음.
- #12: 통계학의 알고리즘에 많이 의존함. 통계학적 머신러닝이라고 부르기도 함. 컴퓨터 과학에 좀 더 실용적 접근이 많음.
- #14: AI는 언어학, 뇌의학, 검색, 로봇틱스 포함 아직 일반지능이 아님 딥러닝은 뉴럴 네트워크를 사용한 머신러닝
- #15: AI는 언어학, 뇌의학, 검색, 로봇틱스 포함 아직 일반지능이 아님 딥러닝은 뉴럴 네트워크를 사용한 머신러닝
- #20: y 햇: h, f 등으로 쓰기도 함.
- #22: y 햇: h, f 등으로 쓰기도 함.
- #59: y 햇: h, f 등으로 쓰기도 함.
- #60: y 햇: h, f 등으로 쓰기도 함.
- #61: y 햇: h, f 등으로 쓰기도 함.
- #62: y 햇: h, f 등으로 쓰기도 함.
- #63: y 햇: h, f 등으로 쓰기도 함.
- #64: y 햇: h, f 등으로 쓰기도 함.
- #66: y 햇: h, f 등으로 쓰기도 함.
- #68: y 햇: h, f 등으로 쓰기도 함.
- #73: y 햇: h, f 등으로 쓰기도 함.
- #74: y 햇: h, f 등으로 쓰기도 함.
- #75: y 햇: h, f 등으로 쓰기도 함.
- #76: y 햇: h, f 등으로 쓰기도 함.
- #79: 훈련데이터/학습데이터 지도학습: 주가예측, 스팸메일 분류 비지도학습: 고객 분류 딥 러닝은 알고리즘의 하나로 학습방법이 아님. 딥 리인포스먼트 러닝