exerd는 이클립스 기반 데이터베이스 모델링도구이다. 해당 ERD툴을 사용해서 데이터 베이스 모델링을 해보자.  1. 파일 생성 및 테이블 생성파일생성파일 생성 > eXERD File   테이블생성컬럼생성eXERD 에서 새 테이블을 만들고 컬럼을 추가한다 (ctrl + enter) 해당 컬럼 오른쪽 마우스 > pk 컬럼으로 지정컬럼명을 작성하고 '사번'을 primary key로 설정 한다. 컬럼 보기 설정 > 논리/물리 동시편집논리 이름과 물리 이름을 동시에 보여지게 하고 편집할 수 있다. 물리이름 : 실제 컬럼 명논리이름 : 컬럼의 의미 부서 / 직원 / 휴가 테이블 만들기  2. 논리 모델링비식별 관계 비식별 관계를 만든다. 연결하려는 테이블을 순서대로 선택해주면 된다.  식별 관계 식별 관계를 만..

강화 학습 개요강화 학습은 언제 쓰이는가주어진 환경에서 가능한 여러 행동 시퀀스 중에서 보상을 최대화하는 최적의 경로를 찾는 것필요한 주요 요소들이 행동(action) 과 보상(reward)-> 특정 상태에서 가능한 행동을 선택하고, 그 선택에 대한 보상을 받으며, 이 정보를 바탕으로 최적의 정책을 학습함 ** Q-Learning, Dynamic Programming 은 딥러닝이 본격적으로 발전하기 전에 나온 강화학습 및 최적화 기법이다. 본 수업에선 제외한다.    Markov Decision Process ppt 226부터  DRL 이론      DRL구현

Recurrent Neural Networks (RNN)자연어 처리를 할 때, 시퀀스 데이터를 처리하기 위해 설계된 초기의 신경망 -> 현재는 많이 쓰이지는 않음시계열 데이터, 텍스트, 오디오와 같은 연속된 데이터를 다루는 데 적합함.일반적인 신경망과 달리 RNN은 내부에 순환 구조가 있어서 이전 입력에 대한 정보를 네트워크 내에서 기억하고 유지할 수 있다. RNN의 구조 1) 두개의 inputx_t​ (현재 시점의 데이터) : 현재 시점에 해당하는 실제 입력 데이터, 이 상태가 각 시점마다 다음 계산에 전달되어 연속적인 입력 간의 종속성을 학습h_t−1​ (이전 시점의 숨겨진 상태) : 이전 시점까지의 정보가 포함된 벡터 ex) 텍스트 처리 - 현재 단어, 시계열 데이터에서->특정 시점의 데이터 값2)..

https://bit.ly/487HdL1 Tensorflow — Neural Network PlaygroundTinker with a real neural network right here in your browser.playground.tensorflow.org심층 신경망(DNN, Deep Neural Networks)을 직관적으로 시각화하고 실험할 수 있는 웹 기반 도구다양한 하이퍼파라미터와 데이터셋을 설정하여 신경망의 학습 과정을 실시간으로 관찰할 수 있다.  데이터셋 선택: 스파이럴(spiral), 정사각형 및 평면 회귀 문제 같은 여러 가지 기본 데이터셋을 제공한다.  신경망 구조 설정: 네트워크 구조는 각 층에 몇 개의 노드를 배치할 것인지 설정할 수 있다. ex)hidden layer 3개 ..

전처리 : Scaling *최적화를 위해 필요함. 방법 1 : Normalization (정규화) - 모든 값의 범위를 0~1 로 변환방법 2 : Standaraization (표준화) - 모든 값을 평균=0, 표준편차=1 로 변환# 스케일러 선언scaler = MinMaxScaler()# train 셋으로 fitting & 적용x_train = scaler.fit_transform(x_train)# validation 셋은 적용만!x_val = scaler.transform(x_val) ProcessTask : 이전 단계의 output 을 input으로 받음 -> 처리 -> 다음단계로 전달**공통의 목표를 달성하기 위해 동작ex) 상품 기획 -> 디자인 -> 생산 - >물류입고 - > 매장판매 딥러닝 ..

ML vs DL 코드 구조 비교가중치(weight)*파라미터(parameter)라기도 함. ex) 1,2,3월의 판매량으로 4월의 판매량 예측1월 판매량2월 판매량3월 판매량 4월 판매량110120125? 평균 ->   가중치 조정조금씩 weight를 조정해서 오차가 줄어드는지 확인!-> 반복지정한 횟수만큼 or 더이상 오차가 줄지 않을 때까지 DL 학습 절차1. 가중치 초기값 할당 (초기모델만듦)2. (초기)모델로 예측3. 오차를 계산 (loss function)4. 가중치 조절 : 오차를 줄이기 (optimizer) - learning rate(lr): 얼만큼 조절할 지 결정하는 하이퍼파라미터5. 다시 처음부터 반복 - batch_size : 전체 데이터를 적절히 나눠서 (mini batch) 반복 ..

전체 프로세스 (CRISP-DM) 데이터의 shape 모델,모델링- 모델 : 데이터로부터 패턴을 찾아, 수학식으로 정리 해놓은 것- 모델링 : 오차가 적은 모델을 만드는 과정   -> 샘플을 가지고 전체를 추정 모델의 성능모델의 성능은 오차(error)로 계산- 모델링 : train error를 최소화 하는 모델 생성하는 과정- 모델 튜닝 : validation error 를 최소화 하는 보델 선정 딥러닝 모델 표현 방법 - 선형 회귀 모델    Colab 사용법1. 구글 드라이브에 새폴더 생성 2. 새 폴더에 파일 업로드3. 파일 오른쪽 클릭, 'Google Colaboratory' 클릭**  'Google Colaboratory' 뜨지 않는 경우, '연결한 앱 더보기' > ' Colaboratory'..

1. 성능 평가 기준1) 분류 모델- 대부분 binary 를 이야기 함. 0인지 1인지 예측- 실제 값과 예측 값 둘다 0 or 1- 예측 값과 실제 값이 많이 같을 수록 좋은 모델임 (갯수) -> 정확히 예측한 비율로 모델 성늘을 평가 (정확도)ex) 100개를 예측했는데 몇개를 맞추었는가? 2) 회귀모델- 정확한 값을 예측하긴 어려움- 예측값과 실제 값에 차이(오차)가 존재 할 것- 예측값과 실제 값이 가까울 수록 좋은 모델임-> 예측한 값과 실제 값의 차이로 모델 성능을 평가 (오차) 2. 회귀 모델 성능 평가1) 실젯값, 평균값,예측값 실젯값 (y, y_test)-실제로 예측하고 싶은 값, target(목표값)- 이 값과 비교하여 모델의 성능을 평가- 오차 : 실제값과 예측값과 차이  평균값 ( ..

Sklearn (사이킷런)지도/ 비지도 학습 알고리즘을 제공하는 대표적인 파이썬 라이브러리 - 오픈소스로서 누구나 무료로 사용가능- 여러 알고리즘을 같은 구조의 코드로 사용할 수 있음- 다양한 예제 데이터셋(토이 데이터 셋)을 포함하고 있음 ex) Iris, Boston 1. 환경 준비기본 라이브러리와 대상 데이터를 불러오기 라이브러리 불러오기# 라이브러리 불러오기import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as snsimport warningswarnings.filterwarnings(action='ignore')%config InlineBackend.figure_format = 'retina' 데이..

머신러닝에 대한 이해 인간의 경험 = 머신의 데이터데이터로 학습을 해서 1. 학습에 따른 분류  2. 과제에 따른 분류 1) 지도 학습a) 분류 문제 (Classification)    : 이미 분류된 데이터를 학습하여 분류 규칙을 찾음. 그 규칙 기반으로 새로운 데이터를 적절히 분류하는 것b) 회귀 문제 (Regression)    : 이미 결과값이 있는 데이터를 학습하여 입력 값과 결과 값의 연관성을 찾음. 그 연관성 기반으로 새로운 데이터 값을     예측하는 것    **혼동하지 않게 주의!!!!** 2)비지도 학습c) 클러스터링    : 주어진 데이터를 학습하여 적절한 분류 규칙을 찾아 데이터 분류 하는 것. 정답이 없어 성능 평가 어려움.  분류와 회귀 구분법**원하는 결과 값(target)이..