donghunkang

Batch Gradient Descent Stochastic Gradient Descent Linear Regression with Multiple features(input)Model parametersw1~w4: 집 값을 예측하는데 각 feature가 기여하는 정도=> 부호(+/-)는 비례/ 반비례 관계 설명w0: 기본 가격 Loss functionUpdate rule Feature ScalingEx)Feature size and Gradient desentnon-scaled faeatureScaled feature ScalersMinMaxScaler각 feture마다 적용 Mean SclaerStandard Scaler EX) Termination condition(종료 조건)1. #iter을 미리..

관계 데이터 모델- 관계 데이터베이스 시스템에 직접 구현될 수 있도록 데이터베이스 구조를 정의하는 방법을 제공- 장점: 수학적 기초를 가짐/ 사용자에게 단순성 제공- 릴레이션 조작을 위한 연산인 관계 대수의 지원을 받음릴레이션(Relation)- 개체를 표현하기 위한 데이터 구조- 2차원 테이블로 표현# 행(Row) = 튜플(Tuple): 개체를 표현, 관련된 데이터 값들의 모임 # 열(Column) = 애트리뷰트(Attribute): 각 행의 값들의 의미를 해석하는데 사용- 튜플들의 집합(Set)데이타베이스는 릴레이션들의 모임 EX) 릴레이션 Movie ⭐ ⭐ ⭐ (용어 중요)릴레이션 스키마- 하나의 릴레이션 스키마는 하나의 개체 또는 관계성 클래스를 표현- 개체들을 표현하는데 사용하는 테이블의 구조 ..

Linear Regression"target" 이 하나가 아닌 경우 학습이 쉽지 않다. 모델 설정Model parameters (weights) ErrorLoss function(Cost function, Objective function)Object Gradient Descent- Loss surface Update RuleLearnable ParametersW, 데이터 고정, model과 loss function도 정의되어 있음.변하는 것 (학습해야 하는 대상)은 W다.  Pseudo Code Learning rate(lr)1. Small Learning rate: 많은 시간이 든다.2. Large Learning rate: 수렴에 실패할 수 있다.=> 적당한 Learning rate 필요 Small..

강화학습 구조 (Reinforcement Learning Structure)- Agent: 강화학습에서 학습을 수행하는 주체- Environment: 에이전트가 상호작용하는 공간이나 시스템- State: 에이전트가 인식하는 환경의 현재 상태- Action: 에이전트가 환경에 대해 취하는 행동- Reward: 에이전트가 행동의 결과로 받는 피드백- Observation: 에이전트는 환경에서 특정 데이터를 관찰하고, 이를 바탕으로 다음 행동을 결정주요 특징1.  No supervisor: 정답 레이블이 제공되지 않고, 에이전트가 보상만을 기반으로 학습.2.  Data-driven: 데이터 기반3. Discrete time space: 이산적인 시간 단계4. Sequential data scream: 데이터가..

데이터 (Data)현실 세계로부터 단순한 관찰이나 측정을 통해서 수집된 사실이나 값정보 (Information)- 데이터를 처리해서 얻어진 결과- 어떤 상황에 대한 적절한 결정을 할 수 있게 하는 지식- 데이터의 유효한 해석이나 데이터 상호간의 관계정보 시스템 (Information system) 한 조직체의 활동에 필요한 데이터를 수집, 조직, 저장해 두었다가 필요시에 처리해서 의사 결정에 유효한 정보를 생성하여 분배하는 수단데이터베이스 시스템정보 처리 시스템이 그 기능을 효과적으로 수행할 수 있게 하는 가장 기본이 되는 도구데이터베이스 시스템 구성요소: 데이터베이스와 데이터베이스 DBMS를 합침Q) 데이터베이스 시스템 VS 데이터베이스A) 데이터베이스 시스템: 데이터베이스 + DBMS     데이터베..

연립방정식과 시스템 기계학습과 시스템 기계학습학습: Dataset(input, target)을 가지고 model의 parameters를 찾는 것. EX) Linear regression 기계학습의 모델링(Modeling)- 어떤 모델을 쓸 것인가? / 입력의 형태를 보고 설계한다.- Dataset의 특징에 따라 설계가 달라진다. 데이터의 TypeNumerical data => Regression (내일의 최고 온도 예측/ 나이에 따른 독서량)EX) 나이, 신장(키), 꽃받침 길이Internal data: IQ, 연도, 온도Ratio data: 개수, 길이, 무게 => "0"을 정의할 수 있다.(곱셈, 나눗셈 가능)Categorical data => Classification (내일 강수 여부 예측/ 이미..