[KT AIVLE] 6주차 정리(2차 미니프로젝트, 딥러닝)

0. 개요

---

머신러닝 미니 프로젝트와 딥러닝을 진행하였습니다.

2차 미니 프로젝트_01
2차 미니 프로젝트_02

이번 주간 정리에는 최종 summary만 하도록 하겠습니다.

월	화	수	목	금
2차 미니프로젝트	2차 미니프로젝트	휴무	딥러닝	딥러닝

1. 2차 미니 프로젝트

---

2차 미니 프로젝트에서는 1차 미니프로젝트에서 간과했던 시간관리를 보다 체계적으로 관리하여 제한시간안에 PPT제작까지 끝마칠 수 있었습니다. 또한 이번 프로젝트를 통해 머신러닝에서 추가적으로 무엇을 배워야할지, 앞으로 어떤것을 공부해야할지를 알 수 있었습니다. 이외에 세부적인 정리내용은 각 2차 미니프로젝트 각 일차별 정리 에 기록하였습니다.

2. 딥러닝

---

최종 summary를 진행하겠습니다.

딥러닝 개념은 다음과 같다

• 가중치 초기값을 할당.
• 초기 모델로 예측
• 오차를 계산(loss function)
• 가중치 조절 : 오차를 줄이는 방향으로 가중치를 적절히 조절(optimizer)
  • 적절히 조절 -> 얼마 만큼 조절할 지 결정하는 하이퍼 파라미터 : lr(learing rate)
• 다시 처음으로 가서 반복
  • 전체 데이터를 적절히 나눠서(mini batch)반복 : batch_size
  • 전체 데이터를 몇 번 반복 학습할 지 결정 : epoch
• 딥러닝 전처리
  • NaN 조치, 가변수화, 스케일링
• Layer
  • 첫번째 Layer는 input_shape를 받는다.(분석단위의 shape)
    • 2차원 데이터셋의 분석단위 1차원 → shape는 ( feature수, )
  • Output layer의 node 수 : 1
  • Activation Function
    • Hidden layer에 필요 :
      • 비선형 모델로 만들려고 ➔ hidden layer를 여럿 쌓아서 성능을 높이려고.
    • 회귀 모델링에서 Output Layer에는 활성화 함수 필요하지 않음!
• Output Layer의 Activation
  • Sigmoid : 0 ~ 1 사이 확률 값으로 변환해주는 역할 -Loss Function : binary_crossentropy
• 다중분류를 위해 y 값 전처리 필요
  • 방법1 : y값을 0,1,2,3,… 로 만들고, loss = ‘sparse_categorical_crossentropy’
  • 방법2 : y값을 one-hot encoding 하고, loss = ‘categorical_crossentropy’
• Output Layer의 Activation
  • softmax : 0 ~ 1 사이 확률 값으로 변환해주는 역할
• 총 정리

구분	Hidden Layer	Output Layer		Compile
	Activation	Activation	Node수	optimizer	loss
Regression	relu	X	1	adam	mse
2-Class	relu	sigmoid	1	adam	binary_crossentropy
Multi-Class	relu	softmax	Class수	adam	sparse_categorical_crossentropy categorical_crossentropy

2 ) 실습 코드

---

2차 프로젝트와 딥러닝 코드는 git에 업로드 하였습니다.
2차 미니 프로젝트
딥러닝