데이터 공부하는 뉴욕킴

Accuracy vs. Interpretability  → decision tree, regression 많이 사용(해석력이 좋은 모델들 선호)   Decision Tree의사결정 나무(Decision Tree)는 예측 모델 중 하나로, 독립 변수의 조건에 따라 종속 변수의 값을 예측하는 데 사용됩니다. 이 모델은 '나무'라는 이름처럼, 뿌리에서 시작해 각 분기점(node)에서 특정 기준에 따라 데이터를 나누고, 마지막에는 각각의 잎 노드(leaf node)로 데이터를 분류합니다. 의사결정 나무는 분류와 회귀 모두에 사용될 수 있으며, 간단하고 해석하기 쉬운 모델로 많이 사용됩니다. → 주로 분류에서 사용    [추후 참고] 의사결정나무(decision tree) (tistory.com)  의사결정나무(..

Regularization Overfitting (과적합):원인: 데이터가 적을 경우, 복잡한 데이터일 경우(변수가 너무 많음, weights이 큰 경우)정의: 모델이 훈련 데이터에 너무 밀접하게 맞춰져서 생성되는 오류입니다. 이 경우, 모델은 훈련 데이터의 노이즈와 잡음까지 학습하여, 새로운 데이터나 테스트 데이터에 대해서는 일반화를 잘 수행하지 못합니다.특징:모델이 훈련 데이터에서는 매우 높은 성능을 보이지만, 테스트 데이터나 실제 적용 시에는 성능이 저하됩니다.복잡한 모델(많은 파라미터를 가진)이 과적합될 위험이 더 큽니다.해결 방법:데이터 양 증가, 불필요한 변수 제거, weights 줄이기, 교차 검증, 정규화 기법 적용, 간단한 모델 사용 등이 있습니다.Underfitting (과소적합):원인..

Deep Neural Networks Neural networks that have more than two hidden layers (2개 이상) Capacity increases when the number of hidden layers is large -> Capa을 올리기 위해서 더 많은 connections이 필요함 복잡한 모델을 사용하기 위해서는? Wide (width) → 한번에 복잡한 것 처리 Deep (depth) → 여러 층을 거치며 복잡한 것을 처리 Wide Networks: 'Wide' 신경망은 주로 네트워크의 각 층에 많은 수의 뉴런(또는 노드)를 가집니다. 이러한 구조는 넓은 데이터(많은 특징을 가진 데이터)를 처리하는데 적합할 수 있습니다. 'Wide' 네트워크는 종종 특징 간..

Semi Supervised Learning(준지도학습) When only some images have the required label (전체 중 몇개의 이미지만 필요한 레이블을 가지고 있고, 다른 것들은 이미지만 가지고 있음)   Weakly Supervised Learning(약지도학습) When all images have the cost-efficient (incomplete) labels(불완전한 레이블을 가지고 있음) 학습한 것들을 요약(Mk) → 마스크 잡기 → 학습한 부분만 잡아줌   Semi Supervised Image classification 레이블이 지정된 데이터(수퍼바이즈드 학습에서 사용)와 레이블이 지정되지 않은 데이터를 모두 사용하여 모델을 훈련시키는 방법 레이블이 있는 ..

Super Resolution 낮은 해상도의 이미지를 고해상도로 변환하는 과정1) Interpolation-based method(보간 기반 방법)  이미지의 낮은 해상도 부분에 대한 새로운 픽셀 값을 추정하기 위해 보간 기술을 사용 가장 널리 사용되는 보간 기법으로는 Nearest Neighbor, Bilinear, Bicubic  2) Learning-based method(학습 기반 방법)  딥 러닝을 사용하여 낮은 해상도의 이미지로부터 고해상도 이미지를 생성 학습 기반 방법은 대량의 데이터셋에서 낮은 해상도와 고해상도 이미지 간의 관계를 학습하여, 새로운 낮은 해상도 이미지에 적용 이미지의 복잡한 텍스처와 세부 사항을 더 잘 복원할 수 있으며, 보간 방법보다 더 높은 품질의 결과를 생성할 수..

예측값과 실제값 : MSE · RMSE · MAE · R2 1. MSE (Mean Squared Error) MSE는 실제값에서 예측값을 뺀 값의 제곱의 평균입니다. 이는 모델의 예측값과 실제값 차이의 면적의 제곱합을 의미하며, 제곱을 하기 때문에 특이치 (Outlier)에 민감합니다. 2. RMSE (Root Mean Squared Error) RMSE는 MSE값에 루트를 씌운 값입니다. 이 지표는 예측변수와 단위가 같으며, 예를 들어 기온을 예측하는 모델의 RMSE가 5라면 이 모델은 평균적으로 5 정도를 잘못 예측하는 것이라 볼 수 있습니다 → 해석력이 좋은 장점 있음 3. MAE (Mean Absolute Error) MAE는 모델의 예측값과 실제값의 차이의 절대값의 평균입니다. 이는 실제 값과 ..

Artificial Neural Networks(ANN): 인공 신경망 Components (인공신경망 구성요소) 1. 노드/유닛 (Node/Unit): 각 층(Layer)을 구성하는 요소 2. 층(Layer) - 입력층(Inpur Layer): 데이터를 받아들이는 층 - 은닉층(Hidden Layer): 데이터를 한 번 이상 처리한 노드로 구성된 층 - 출력층(Output Layer): 최종 은닉층 또는 입력층에 가중치를 곱하고, 출력함수의 결과를 얻은 노드로 구성된 층 3. 가중치(Weight): 노드와 노드간의 연결강도를 나타내미 4. 합(Summation): 가중치와 노드의 곱을 합하는 것 5. 활성함수(Activation Function): 합을 처리해주는 함수로 은닉층 노드의 결과를 얻을 경우..

Style Transfer - Blends two images to create a new image that maintains the original content but with the style of the other. 두 이미지를 혼합하여 원본 내용을 유지하면서 다른 이미지의 스타일을 유지하는 새로운 이미지를 만듭니다. •Content: Refers to the basic structure and main elements of an image, such as the shapes and positions of objects within a scene (i.e., subject matter of the image). • Style: Encompasses the visual aesthetics or t..

머신러닝이란? → 데이터를 기반으로, 패턴을 인식하여 컴퓨터를 이용해 계산을 함 - 머신러닝은 항상 데이터를 기반으로 함 - 여러규칙을 단순조합하는 고전적인 인공지능 시스템이나 원하는 결과값이 출력되도록 내부 처리 동작을 사용자가 완전히 정의해야 하는 일반적인 컴퓨터 알고리즘과 차이가 있음 - 머신러닝은 알고리즘에 의해서가 아닌 데이터 학습을 통해 실행동작이 정해짐 - 대용량의 데이터 필요 1) 패턴인식: 데이터의 패턴을 유추 2) 컴퓨터를 이용한 계산 - 데이터를 처리하고 패턴을 학습하고 계산하는 데 컴퓨터를 사용 → 계산 자체도 중요한 연구분야 - 응용수학이나 통계학과 달리, 머신러닝은 단순히 수학적인 모델의 구축이나 증명에만 그치는 것이 아니라 실제 데이터에 대해 계산해서 결과를 만들어낸다는 점에서..

41. 다음 중 디자인의 기본 원리에 대한 설명으로 가장 적절하지 않은 것은? ① 균형 : 디자인 요소들 간의 크기와 비율을 나타내고 요소들이 차지하는 실제 크기를 의미한다. ② 명도 : 색상이 얼마나 밝거나 어두운지를 결정한다. ③ 비례 : 디자인 요소들 간의 상대적인 크기와 배치의 조 합을 의미한다. ④ 채도 : 채도가 0%이면 가장 탁한 색이고, 100%이면 순수한 색이다 정답: 1번 ① 균형: 디자인 요소들 간의 크기와 비율을 나타내고 요소들이 차지하는 실제 크기를 의미한다입니다. 균형(Balance)은 디자인 요소들 간의 시각적인 무게감을 동등하게 구성하는 것을 의미하며, 크기와 비율을 나타내는 것이 아니라, 디자인 내에서 요소들이 어떻게 조화롭게 배치되어 시각적 안정감을 제공하는지에 관한 원리..