JMANI

docker run -d --gpus all docker run -d --gpus '"device=0"' docker run -d --gpus '"device=0,1"' nvidia-docker Linux Distribution(2022.01.17 기준) https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/install-guide.html

기출문제 제 2회(2022. 06. 19) 이상치: 데이터 정제 과정에서 처리해야 하는 값으로, 데이터가 정상의 범주에서 벗어난 값을 의미 평균대치법: 결측값 처리를 위한 단순 대치법에서 관측 또는 실험으로 얻어진 자료의 평균값으로 결측값을 대치하는 방법 여러가지 하이퍼파라미터(초 매개변수) : 모델에서 외적인 요소로 데이터 분석을 통해 얻어지는 값이 아니라 사용자가 직접 설정해주거나 알고리즘 생성자가 직접 만드는 값 비지도 학습 : 라벨이 없고 예측보다는 주로 현상의 설명이나 특징추출, 패턴 도출 등의 문제에 사용하는 학습기법. 군집화, 차원 축소 기법, 연관 관계 분석(장바구니), 자율학습 인공신경망 기법이 있음 과대 적합(오버피팅) : 훈련 데이터에 대해서는 높은 성능을 보이지만 테스트 데이터에 대..

input layer $a^{[0]}$ = X, 여기서 a는 activiation 값을 칭함 $x_1, x_2, x_3$ hidden layer : Not showing in training set $a^{[1]} = \begin{bmatrix} a^{[1]}_1 \\ a^{[1]}_2 \\ a^{[1]}_3 \\a^{[1]}_4 \end{bmatrix}$ $w^{[1]} -> (4,3)$: 4개의 hidden units와 3개의 input units 의미 $b^{[1]} -> (4,1)$: 4개의 hidden units와 1개의 out units 의미 output layer $a^{[2]} = \hat{y}$ $w^{[2]} -> (1,4)$ $b^{[2]} -> (1,1)$ 공식적으로 "2 layer..

link: https://www.youtube.com/watch?v=rNh2CrTFpm4 VAE Autoencoder와 코드상 매우 흡사하지만, 논리적으로 전혀 관계없는 모델 Autoencoders Manifold Learning을 목적으로 둠 앞단(목적)을 위해 뒷단을 붙여서 학습 Variational Autoencoders 데이터를 생성하는 것을 목적으로 둠 뒷단(목적)을 위해 앞단을 붙여서 학습 Generative Model z: 랜덤하게 이미지를 생성하지 않고 control할 수 있게함(ex, 머리색만 바꾸기, 눈동자색만 바꾸기) latent vector z에서 기존의 데이터를 최대한 비슷하게 복구하는 것이 목표 vae latent vector z를 통해 유사한 새로운 데이터를 생성하는 것을 목표..

Normalizer row(행)마다 정규화 유클리드 거리가 1이 되도록 조정 from sklearn.preprocessing import Normalizer X = [[4, 1, 2, 2], [1, 3, 9, 3], [5, 7, 5, 1]] transformer = Normalizer().fit(X) # fit does nothing. transformer transformer.transform(X)

입력 이미지(cat/non cat) 고양이:1, 고양이 아님:0 으로 레이블링 이미지 표현 빨간색, 녹색, 파란색(R, G, B) 채널에 대응하는 세개의 분리된 행렬로 표현 만약, 입력 이미지가 64X64 픽셀이라면 r,g,b에 해당하는 값을 가진 3개의 64X64 행렬이 존재 이를 하나의 특징벡터로 표현 -> [255, 231, 42, ...] -> 3X64X64 차원을 가진 특징벡터 X, nx(or n) = 12,288로 표현