본문 바로가기

반응형

머신러닝

(3)
머신러닝에서의 액티브 러닝 (1) 인공지능(AI) 속에서 한 가지 특별한 기술이 의미 있는 흔적을 남기고 있습니다. 액티브 러닝은 머신 러닝(ML) 모델을 가르치고 훈련하는 방법에 혁신을 일으켜 통찰력 있는 AI 솔루션과 통찰력으로 가는 길을 간소화합니다. 머신 러닝 모델이 단순히 수동적인 데이터 수신자가 아니라 능동적으로 학습 과정에 참여하는 세계를 생각해 보십시오. 모델이 단순히 정보를 흡수하는 것이 아니라 복잡한 정보 샘플을 전략적으로 식별하고 우선 순위를 지정하여 이해를 증폭시키는 세계. 이 접근법은 본질적으로 능동적 학습입니다. 오늘부터는 머신 러닝의 핵심 원칙, 이점 및 구현 전략을 다루면서 능동적인 러닝 머신 러닝의 다각적인 영역을 횡단할 것입니다. 액티브 러닝이란? 능동적 학습은 훈련에 가장 큰 영향을 미칠 수 있는 기계 ..
3장 머신러닝 기초 다지기-수치 예측 (1) 3-1 선형 회귀 - 문제 해결을 위해 당뇨병 환자의 데이터 준비하기 1. load_diabetes() 함수로 당뇨병 데이터 준비하기 from sklearn.datasets import load_diabetes diabetes = load_diabetes() 2. 입력과 타깃 데이터의 크기 확인하기 print(diabetes.data.shape, diabetes.target.shape) ##출력: (442, 10) (442,) 3. 입력 데이터 자세히 보기 diabetes.data[0:3] ##출력: array([[ 0.03807591, 0.05068012, 0.06169621, 0.02187235, -0.0442235 , -0.03482076, -0.04340085, -0.00259226, 0.0199..
딥러닝과 머신러닝, 데이터사이언스 딥러닝 VS 머신러닝 이전 글에서 언급한 내용을 통해 알아보면 머신러닝과 딥러닝이 모두 AI의 한 종류이며, 딥러닝은 머신러닝의 한 종류입니다. 다시 말해, 딥 러닝은 그 자체가 AI의 하위 유형인 기계 학습의 하위 유형으로 이 두 종류 AI의 차이점은 AI 모델에 제시된 데이터에 있습니다. 일반적으로 머신러닝의 접근 방식에는 구조화된 데이터, 즉 식별하려는 항목에 대한 레이블이 포함된 데이터가 필요합니다. 예를 들어, 데이터 과학자들이 모델에 개와 고양이의 이미지를 제공한다면, 사용자는 직접 각 이미지에 개 또는 고양이라는 라벨을 붙여야 합니다. 그렇게 함으로써, 기계 학습 알고리즘은 두 종의 차이를 학습할 수 있었습니다. 모델이 제대로 작동하지 않으면 사용자가 관련 조건을 조정하고 다시 시도해야 합니..

반응형