22EE DOEN

# 로지스틱 회귀(Logistic Regression)  : 선형 회귀를 그대로 사용하면 예측값이 0에서 1을 벗어날 수 있다는 문제가 있음   3. Cost Function - 좋은 Cost Function   : 데이터가 정확히 분류되면 작은 값, 잘못 분류되면 cost나 error가 큰 값  - 선형 회귀의 Absolute 나 Square Error는 분류 문제에 적합하지 않음  # Log Loss Cost (Logarithmic Loss)  : Log Loss = -ln(데이터를 lable로 예측할 확률)

# 분류 Classification0. 분류(Classification)와 회귀(Regression)의 차이 - 분류: 불연속적인 값을 예측 - 회귀: 연속적인 값을 예측  1. 분류 모델  : 주어진 데이터셋을 두 개 이상의 그룹으로 나누는 직선(Classifier)을 찾음  - 데이터를 시각화하고 이를 기준으로 Classifier 학습 - 데이터셋을 이용하여 lable 예측 (지도학습) - Category 예측 - 이상적인 직선은 데이터를 완벽히 나누지 못하더라도 최적화된 Classifier를 학습.  2. Cost Function(비용 함수) - Classifier 비교를 위한 Cost 정의  1) 에러 개수: 잘못 분류된 데이터의 개수 (성능↓)  2) 수직 거리 합계: 잘못 분류된 데이터와 직선..

# 선형 회귀와 모델의 종류0. 지도학습(Supervised Learning)  ex) 고양이와 개 사진 데이터에서 'Dog' 또는 'Cat'이라는 레이블을 기반으로 모델 학습      → 새로운 사진에서 어떤 동물인지 예측  1. 회귀(Regression) 모델 : 주어진 데이터셋과 가장 가까운 직선을 그림   ex) 방 개수에 따른 주택 가격 예측  2. 선형 회귀 모델 (Linear Regression) - 목표: 데이터를 기반으로 직선(선형 모델)을 찾아 예측값을 생성하기 - 직선 조정 방법   : 기울기와 y절편 값을 조금씩 바꿔나감 (회전)  - 학습 알고리즘  1) 기울기와 y절편 초기값 설정 (random)  2) 데이터를 ‘반복’적으로 샘플링하며 직선을 점점 데이터에 맞추기  3) 최적화..

경험을 잘 잊는 나를 위한 개인적인 기록. 나도 블로그 후기로 도움을 얻은 게 많았기에 다음 차수를 위해서 공개글로 남겨봄.(처음엔 네이버블로그에 적었으나 티스토리를 만들면서 내용을 그대로 복붙해왔다.) [합격 수기]활동 전 작성했다.자소서 문항 답변은 자세히 적었다가 후에 수정으로 문단을 많이 뺐다. (혹 자세한 답안 원하는 경우 댓글로)꼼꼼한 블로거들만큼 세부활동 내용이나 제대로 된 후기는 아닐지도. 지원 계기올해 바쁘고 대외활동 같은 건 잘 찾아보지도 않았는데 학과 사무실에서 이런 일정이 있다고 문자 옴. 인터넷 잠깐 서치해보니 학년 제한도 있고 신청 안 하기에는 아까운 활동 같았다. 지금 돌이켜 보면 학교 다니면서 대기업 대외활동 스펙 한줄이 정말 소중하다. 스펙후기를 찾아보니 나오던 글들에 : ..

주요 내용은 복습 겸 반복# 머신러닝(ML): 데이터를 기반으로 학습하고 패턴을 예측하는 알고리즘의 개발과 구현에 중점을 둔다.- 세부 단계 1) 데이터 수집 및 처리: 대량의 데이터를 확보하고 정리 2) 모델 학습: 데이터를 사용하여 알고리즘을 학습 3) 예측 및 평가: 학습된 모델로 새로운 데이터를 예측하고 성능 평가# 머신러닝 학습 방식1. 지도 학습 Supervised Learning : 레이블(label)이 있는 데이터를 사용해 학습   ex) 분류(Classification), 회귀(Regression)2. 비지도 학습 Unsupervised Learning : 레이블이 없는 데이터를 통해 패턴이나 군집을 찾음   ex) 클러스터링(Clustering)3. 강화 학습 Reinforcement ..

John McMurry - Chemistry 맥머리 일반화학 7판 솔루션 답지 (Ch.1~10 만 있음)

William Hayt, John Buck - Engineering Electromagnetics _ Solutions 전자기학 솔루션 답지

목표 : 머신러닝의 개념을 정리하고, 파이썬 실습을 통한 실전 데이터 활용법 익히기.파이썬은 구글 Colab 혹은 VS Code를 활용함. # Basic Keywords- 머신러닝 : 주어진 데이터들을 자동으로 학습하고 알맞은 분류/규칙을 생성.- 딥러닝 : 하위 개념, 신경망을 모방하여 스스로 데이터를 학습하고 진화해나가는 형태.- 생성형 AI : 확보된 데이터를 바탕으로 새로운 contents를 형성.  # # #사람의 판단과정) Remember -> Formulate -> Predict 이를 머신에 적용함으로써 이전 데이터를 수집, 저장하여 모델(규칙)을 찾고 미래 데이터를 예측하게 됨. 명시적인 프로그래밍 코드로 동작하는 것이 아닌, 컴퓨터가 스스로 학습하는 능력을 부여하는 것!  # 지도학습(S..