히니

출처: https://sacko.tistory.com/10 문과생도 이해하는 딥러닝 (1) - 퍼셉트론 Perceptron 퍼셉트론 Perceptron문과생도 이해하는 딥러닝 (1) 딥러닝이라는 말이 학계, 업계 어디든 할 것 없이 엄청난 화두이다. 그래도 아직까지는 기계학습이면 충분하지만 점점 더 인공지능과 관련된 신 sacko.tistory.com 1.퍼셉트론 기초 개념

지역변수(local variable)' '블록'내에서 선언된 변수. 변수가 선언된 블록 내에서만 유효하며, 블록이 종료되면 메모리에서 사라진다. 이러한 지역 변수는 메모리 상의 스택(stack)영역에 저장되며, 초기화하지 않으면 의미없는 값(쓰레기값)으로 초기화된다. 함수의 매개변수 또한 함수 내에서 정의되는 지역변수로 취급된다. 위으 예제에서 변수 var은 한번은 main()함수 내에서, 또 한번은 if문에서, 마지막은 local()함수 내에서 선언된다. 이처럼 같은 이름의 변수 var은 모든 다른 중괄호({})영역에서 선언되었으며, 이러한 중괄호 영역을 블록(block)이라고 합니다. 변수의 유효 범위는 변수가 선언된 블록을 기준으로 설정되며 해당 블록이 끝나면 모든 지역변수는 메모리에서 사라지게 됩..

*앙상블: 주어진 자료로부터 여러 개의 예측모형들을 만든 후 예측모형들을 조합하여 하나의 최종 예측모형을 만드는 방법으로 다중 모델 조합(combining multiple models),분류기 조합(classifier combination)이 있다. 1.정의 배깅은 붓스트랩(Bootstrap) 샘플링을 이용하여 주어진 하나의 데이터로 학습된 예측모형보다 더 좋은 모형을 만들 수 있는 앙상블 기법이다. a.배깅(Bagging)은 붓스트랩(Bootstrap) 샘플링을 이용한 앙상블 기법이다. 학습데이터 L ={( x_{i},y_{i} ) |i =1,...,n}가 있다고 하자. 이때 학습데이터 L에 대하여 붓스트랩(Bootstrap) 샘플링을 수행하여 B개의 붓스트랩 샘플 데이터 셋( $L_{1},L_{2},..

의사결정나무 모형 만들기 의사결정나무 모형은 크게 성장(growing),가지치기(Pruning)단계를 통하여 만들어진다. 성장(growing)단계에서는 먼저 최적화할 목적함수를 정한다. 각 마디에서 이 목적함수를 최적화 하는 변수와 그 분리 기준을 찾아 의사결정나무를 성장시키며 사전에 정의된 정지 규칙(Stopping rule)을 만족하면 성장을 중단한다. 가지치기(Pruning)단계에서는 과적합(Overfitting)을 방지,해석이 안되는 규칙 등 불필요한 가지를 제거한다. 출력변수가 연속형인 경위 회귀분석(regressiong tree),범주형인 경우 분류나무(classification)라고 한다. 출력 회귀나무 1.1 불순도(Impurity) 최적 분리 변수와 그 변수에 해당하는 기준은 다음의 최적..