BASHA TECH

1. LSTM 을 이용한 로이터 뉴스 카테고리 분류하기 2. LSTM과 CNN의 조합을 이요한 영화 리뷰 분류하기 3. 어텐션을 사용한 신경망

1. 텍스트의 토큰화 (분리) : 텍스트를 잘게 나누기 => 단어별, 문장별, 형태소별 (의미 있는 최소 단위로) 2. 단어의 원-핫 인코딩 단어가 숫자로 바뀜 : Vectorize 3. 단어 임베딩 4. 텍스트를 읽고 긍,부정 예측하기

1. 이미지를 인식하는 원리 2. 딥러닝 기본 프레임 만들기 이미지 데이터는 펼치면 (flatten) 데이터 손실이 남 => bc, 이지 상하 관계가 깨지기 때문. 3. 컨볼루션 신경망 이미지 데이터의 상하좌우 관계 모두 파악. 4. Max Pooling, Drop Out, Flatten 5. 컨볼루션 신경망 실행하기

1. 데이터 파악하기 2. 결측치, 카테고리 변수 처리하기 => 문자형이 categorical 한지 부터 따져볼 필요성이 있다. 3. 속성별 관련도 추출하기 4. 주택 가격 예측 모델

1. 데이터의 확인과 검증셋 validation set같은 경우 data set 나눠서 안 함 2. 모델 업데이트하기 epochs => 전체 데이터를 한번 학습에 사용한 것 : 1 epoch 만약, 전체 Data를 50번 사용 하면, 50 epochs 3. 그래프로 과적합 확인하기 4. 학습의 자동 중단 EarlyStopping() 함수 : 학습이 진행되어도 테스트셋 오차가 줄어들지 않으면 학습을 자동으로 멈추게 하는 함수 => callback

1. 데이터 확인과 예측 실행 2. 과적합 이해 하기 과적합(overfitting) => Tuning 하면 됨 과소적합(underfitting) => 목표부터 다시 따져봐야함. 최악의 경우 프로젝트 처음부터 다시 해야할 수도. . . ㅠㅠ 3. 학습셋과 테스트셋 딥러닝의 경우 일반화 성능을 올릴려면 데이터 양이 관건. (이것이 우선되어야.) 따라서 데이터에 따라서 딥러닝이 아닌 랜덤포레스트, XGBoost, SVM 등 다른 알고리즘이 더 좋은 성능을 보일 수도 있다. 4. 모델 저장과 재사용 model.save('./data/model/my_model).hdf5) => hdf5 : 대용량 초고속 (이진 파일 포맷) 5. K겹 교차 검증 (K-CV)

1. 다중 분류 문제 2. 상관도 그래프 3. one-hot encoding 4. soft max 5. 아이리스 품종 예측의 실행

1. 딥러닝과 데이터 => 질도 양도 모두 높아야함 2. 피마 인디언 데이터 분석하기 3. 판다스를 활용한 데이터 조사 데이터를 잘 파악하는 것이 기술의 1단계!!!! 4. 중요한 데이터 추출하기 5. 피마 인디언의 당뇨병 예측 실행

신경망 구성 : 아래로 갈 수록 복잡하고 어려움. => keras 사용 -> 고수준 library => class 상속 -> 신경망 구성 => function 방식 -> 저수준 library 1. 모델의 정의 2. 입력층, 은닉층, 출력층 3. 모델 컴파일 대표적인 오차를 구하는 함수 : - 평균 제곱 계열 (선형 회귀 모델) - 교차 엔트로피 계열 (다항분류, 이항분류) 4. 모델 실행하기

1. 딥러닝의 태동, 오차 역전파 2. 활성화 함수와 고급 경사 하강법 (activation function and optimizer을 일정이상으로 scaling 한다.) 3. 속도와 정확도 문제를 해경하는 고급 경사 하강법 - 확률적 경사 하강법 - 모멘텀 : 변동성 투자 기법에도 사용됨 (차익을 이용함) * 추가로 이해가 안 되었던 것 정리