jaeserrr.log

📌 로지스틱 회귀 선형 방정식을 사용한 분류 알고리즘 선형 회귀와 달리, 시그모이드 함수나 소프트맥스 함수를 사용하여 클래스 확률을 구함 📍목표! 여러 종류의 생선이 있을 때, 해당 생선이 무슨 종류의 생선인지 확률을 알아보도록 하겠습니다. * 즉, 타깃 데이터에 2개 이상의 클래스가 포함된 문제 ex) [A, B, C] 클래스 별 이웃의 비율 -> A:10%, B : 50%, C : 40% => 예측 : B 데이터 준비하기 판다스로 데이터를 준비하는 방법을 참고합니다. [인공지능/혼공머신] 03-3. 특성 공학과 규제 📌다중 회귀 (Multiple Regression) 여러 개의 특성을 사용한 선형 회귀 아래는 선형 회귀에 대해 작성한 글입니다. 😁 [인공지능/혼공머신] 03-2. 선형 회귀 우선 데이..

📌다중 회귀 (Multiple Regression) 여러 개의 특성을 사용한 선형 회귀 아래는 선형 회귀에 대해 작성한 글입니다. 😁 [인공지능/혼공머신] 03-2. 선형 회귀 우선 데이터 준비 후 훈련까지.. (03-1 내용 참고) [인공지능/혼공머신] 03-1. k-최근접 이웃 회귀 지도 학습 알고리즘은 분류와 회귀로 나뉩니다. 이 글은 회귀에 대해 작성했습니다. 회귀 임의의 숫 avoc-o-d.tistory.com 선형 회귀에서는 농어의 길이 데이터만 가지고 훈련을 했기 때문에, 여전히 과소적합 문제가 남았습니다. 높이, 두께 등 특성을 많이 사용하여 훈련하면 성능이 좋아질 것으로 생각합니다. 📌특성 공학 (Feature Engineering) 기존의 특성끼리 조합해서 새로운 특성을 뽑아내는 (추가..

우선 데이터 준비 후 훈련까지.. (03-1 내용 참고) [인공지능/혼공머신] 03-1. k-최근접 이웃 회귀 지도 학습 알고리즘은 분류와 회귀로 나뉩니다. 이 글은 회귀에 대해 작성했습니다. 회귀 임의의 숫자를 예측 임의의 숫자 = 타깃값 k-최근접 이웃 회귀 모델 가까운 k개의 이웃 찾기 이웃 샘플의 avoc-o-d.tistory.com # http://bit.ly/perch_data # 우선, 훈련, 테스트 세트로 나누고 # 특성 데이터를 2차원 배열로 변환 import numpy as np perch_length = np.array([8.4, 13.7, 15.0, 16.2, 17.4, 18.0, 18.7, 19.0, 19.6, 20.0, 21.0, 21.0, 21.0, 21.3, 22.0, 22...

지도 학습 알고리즘은 분류와 회귀로 나뉩니다. 이 글은 회귀에 대해 작성했습니다. 회귀 임의의 숫자를 예측 임의의 숫자 = 타깃값 k-최근접 이웃 회귀 모델 가까운 k개의 이웃 찾기 이웃 샘플의 타깃값을 평균 -> 예측 타깃값 데이터 준비하기 농어의 길이만 있어도 무게를 잘 예측할 수 있을 것으로 생각합니다. 따라서, 해당 예제는 길이를 특성으로 무게를 타깃으로 합니다. * 타깃은 임의의 숫자이기 때문에 축을 하나 더 사용하여 표현해야 합니다. 그런데, 2차원으로 표현하는 게 더욱 잘 와닿기 떄문에 회귀는 특성 1개만 사용하는 것이 편하다고 합니다. (물론, 회귀도 특성 1개 이상 사용 가능!) # http://bit.ly/perch_data # 농어 import numpy as np perch_leng..

- 올바른 결과 도출을 위해서 데이터를 사용하기 전, 데이터 전처리 과정을 거칩니다. - 표준점수로 특성의 스케일을 변환하는 방법도 배웁니다. 데이터 준비하기 입력, 타깃 데이터를 준비해봅시다. # http://bit.ly/bream_smelt # 49개의 데이터 # 35마리 도미, 14마리 빙어 fish_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0, 9.8, 1..

지도 학습과 비지도 학습 머신러닝 알고리즘은 지도 학습과 비지도 학습으로 나눌 수 있음 지도 학습 - 지도 학습 알고리즘은 입력과 타깃으로 이뤄진 훈련 데이터가 필요함 입력 : 데이터 타깃 : 정답 훈련 데이터 : 입력 + 타깃 - 정답이(타깃)이 있으니 알고리즘이 정답을 맞히는 것을 학습함 비지도 학습 - 정답(타깃) 없이 입력데이터만 사용하여 학습함 (데이터를 파악 & 변형하는 데 도움) 훈련 세트와 테스트 세트 - 훈련 세트 : 모델을 훈련시키는 데이터 - 테스트 세트 : 모델을 평가하기 위한 데이터 📌 훈련에 사용한 데이터로 모델을 평가하는 것은 적절하지 않음. 즉, 훈련할 때 사용하지 않은 데이터로 평가해야 함. 🤔 왜 ? 타깃을 주고 훈련한 다음, 같은 데이터로 테스트한다면 모두 맞히는 것이 ..

✨ Overriding nested component styles https://mui.com/material-ui/customization/how-to-customize/ How to customize - Material UI Learn how to customize Material UI components by taking advantage of different strategies for specific use cases. mui.com 💡중첩된 컴포넌트 style을 override 하기 위해선 컴포넌트의 css 클래스 이름을 사용해서 CSS selector를 작성 후, 커스텀해주면 됩니다. 예를 들어, 해당 컴포넌트의 클래스 이름이 MuiSlider-thumb 일 때, & .MuiSlider-th..

🖌️ diagrams.net diagrams.net은 HTML5 및 JavaScript로 개발된 무료 오픈 소스 크로스 플랫폼 그래프 그리기 소프트웨어입니다. 순서도, 와이어프레임, UML 다이어그램, 조직도 및 네트워크 다이어그램과 같은 다이어그램을 만드는 데 사용합니다. https://app.diagrams.net/ Flowchart Maker & Online Diagram Software Flowchart Maker and Online Diagram Software diagrams.net (formerly draw.io) is free online diagram software. You can use it as a flowchart maker, network diagram software, to c..

📍 해당 보드는 5핀 usb 케이블이 필요합니다! 프로 마이크로 아두이노 마이크로 보드는 아두이노 레오나르도 소형버전 아두이노 레오나르도 보드는 USB 통신 기능을 내장한 Atmrga32u4 칩을 탑재하고 있음 따라서, PC에 연결했을 때 USB마우스, 키보드와 같은 장치로 인식이 가능함 UNO 보드는 Atmrga16u2 칩 사용 핀 맵 프로 마이크로 보드에 동봉된 핀 헤더를 납땜하여 사용합니다.

개념 피에조란 일반적으로 압전 소자 (piezoelectric element)를 뜻함 압력을 가함으로써, 전압을 발생 (압전 효과) 전압을 가함으로써, 변형을 일으킴 (역압전 효과) 🎶 피에조 부저 피에조 효과를 이용하여 소리를 내는 작은 스피커 주파수를 활용하여 음계를 출력 능동부저 : 전원을 공급했을 때 소리가 남 ex) 단일음으로 단순하게 경보음 출력 수동부저 : 전원을 공급했을 때 소리가 나지 않음 음계를 사용하여 멜로디 출력 실습 도레미파솔라시 를 출력하는 코드 🎶 const int pin = 8; void setup() { // C:0, D:1, E:2, F:3, G:4, A:5, B:6 int melody[]={262, 294, 330, 349, 392, 440, 494}; tone(pin,..