머신러닝???

Basic Machine/Deep Learning with TensorFlow (Python)

강의 자료 https://hunkim.github.io/ml/lec0.pdf

머신러닝의 블랙박스를 효율적으로 사용하기 위한 이론공부는 필요!!

머신러닝의 기본적 이해

• Linear regression
• Logistic regression (classification)
• Neural networks, Convolutional Neural Network, Recurrent Neural Network

참고 강의

• Andrew Ng’s ML class - https://class.coursera.org/ml-003/lecture - http://www.holehouse.org/mlclass/ (note)

TensorFlow 

• https://www.tensorflow.org 
• https://github.com/aymericdamien/TensorFlow-Exam

Schedule

• Machine learning basic concepts 

• Linear regression 

• Logistic regression (classification) 

• Multivariable (Vector) linear/logistic regression 

• Neural networks 

• Deep learning - CNN - RNN - Bidirectional Neural networks

Machine Learning 

explicit programming -> 예측할 수 없는 룰이 많은 경우 정확히 예측하는 모델을 구현하기 힘들다.

학습하여 능력을 얻는 모델을 만드는 것 -> 머신러닝

Supervised/Unsupervised learning 학습을 하냐 안하냐

• Supervised learning: - learning with labeled examples - training set 

레이블이 정해져 있는 데이터로 학습을 하는 모델 

EX>

- Image labeling: learning from tagged images

- Email spam filter: learning from labeled (spam or ham) email 

- Predicting exam score: learning from previous exam score and time spent

• Unsupervised learning: un-labeled data - Google news grouping - Word clustering

데이터를 보고 스스로 학습한다

Training data set 

↓ learning~!

ML

    모델  

Types of supervised learning 

• Predicting final exam score based on time spent 

- regression 

• Pass/non-pass based on time spent 

- binary classification 

• Letter grade (A, B, C, E and F) based on time spent 

- multi-label classification

regression 

X시간 공부한 아이의 점수 예측 -> y ( : 0 .... 100 )가 선형 값을 가진다.

 

binary classification

예측의 결과가 2가지 

multi-label classification

에측변수가 여러가지 A, B, C ... 

(Linear) Hypothesis

가설.. H(x) = W x + b 로 나타낼 수 있다.

How fit the line to our (training) data 

가설과 실제 데이터의 값의 차이를 계산

-> Cost Function