본문 바로가기

전체 글

카카오 2019 겨울인턴십 - 불량 사용자 https://programmers.co.kr/learn/courses/30/lessons/64062 프로그래머스 코드 중심의 개발자 채용. 스택 기반의 포지션 매칭. 프로그래머스의 개발자 맞춤형 프로필을 등록하고, 나와 기술 궁합이 잘 맞는 기업들을 매칭 받으세요. programmers.co.kr 처음 시도했던 방법 def solution(stones, k): answer = 0 ans = stones[0:k] compare = stones[0:k] for s in range(0, len(stones)-k): cpr = compare.pop(0) compare.append(stones[s+k]) if max(ans) > max(compare): ans = compare answer = max(compa.. 알고리즘 2020. 5. 4.
CNN 2. Pooling, Fully Connected Layer Pooling image에서 filter를 거친 conv layer를 여러 겹 겹쳐 새로은 image를 만들어낸다. 이 중 하나의 layer를 뽑아낸 뒤 resize 과정을 거치는데, 이를 pooling 혹은 sampling이라고 한다. Max Pooling, Average Pooling 위의 image를 resize하는 방법이다. 위 사진은 max pooling에 대해 설명하고 있는데, 2 * 2 filter와 stride 2를 적용했을 때 색깔별로 구역이 나뉘게 되는데, 각 구역에서 가장 큰 수를 골라 pooling하는 방법이 max pooling이고, 각 칸의 평균값을 구해 pooling하는 방법을 average pooling이라고 한다. Fully Connected Layer 인공지능/CNN 2020. 4. 14.
CNN 1. Convolution Neural Network Convolution Neural Network 이미지 분류에서 가장 널리 사용되는 Neural Network 방식. 위에는 32*32의 이미지 하나가 있다. *3으로 3차원이 된 이유는 rgb를 표현하기 위함이다. 이 이미지를 filter 크기에 따라 부분으로 나누어 본다고 생각해보자. 이렇게 conv filter로 본 공간은 하나의 점으로 표시되고, 이 점이 Weight가 된다. filter는 image의 여러 면을 돌며 점을 만들어내고, 그 점이 모여 하나의 feature map을 만들어낸다. feature map은 filter의 갯수만큼 모여서 하나의 새로운 image를 생성하게 된다. w1x1 + w2x2 + w3x3 + ...... +b = y와 같은 hypothesis를 세울 수 있게 되고,.. 인공지능/CNN 2020. 4. 14.
인공지능 7. Multinomial Classification Multinomial Classification 우리는 Logistic Regression을 통해 Yes or No 형태의 분류가 가능했다. 2개 이상 Class의 분류를 위해 Multinomial Classification을 사용할 수 있다. x1(x) x2(y) y(shape) 1 1 Circle 3 1 Circle 1 8 Square 6 5 Triangle 6 6 Triangle Binary Classification을 반복한 구조로 구현이 가능하다. 일반적인 경우라면 class의 갯수만큼 Binary Classification을 해야한다. 다음과 같은 형태로 Hypothesis를 세울 수 있다. 이 Hypothesis는 값이 매우 크기 때문에 sigmoid 함수를 거쳐 0~1 사이의 수로 변환되고.. 인공지능 2020. 4. 8.
프로그래머스 - 네트워크 https://programmers.co.kr/learn/courses/30/lessons/43162 프로그래머스 코드 중심의 개발자 채용. 스택 기반의 포지션 매칭. 프로그래머스의 개발자 맞춤형 프로필을 등록하고, 나와 기술 궁합이 잘 맞는 기업들을 매칭 받으세요. programmers.co.kr 연결되어 있는 그래프의 덩어리가 몇 개인지 구하는 문제이다. 입력을 받음과 동시에 서로 연결되어 있음을 체크하고 BFS나 DFS로 모든 Node를 방문하면서 갯수를 세어주면 풀 수 있는 기초 문제이다. def solution(n, computers): answer = 0 visited = [False] * n connected = [[False] * n for _ in range(n)] for i in ran.. 알고리즘/프로그래머스 2020. 4. 6.
인공지능 6. Logistic Regression 앞서 보았던 Regression은 전부 선형이었고, 많은 데이터들 중에서 가장 작은 loss를 만족시키는 함수의 W와 b를 찾는 것이 우리의 목적이었다. 이번에는 Yes or No, 양쪽으로 데이터를 나누는 Logistic Regression이다. Logistic Regression 분류를 Binary Classfication, 즉 양자택일의 형태로 한다. 시험에 합격인가 불합격인가 진짜인가 가짜인가 비만인가 아닌가 등 여러 가지의 분류 형태가 있을 수 있다. Logistic Regression의 data는 [0, 0, 0, 1] 과 같은 형태로 True / False 형태로 나타낼 수 있는데, 이를 one-hot Encoding이라 한다. 이는 데이터들이 연결된 선형 함수가 아닌 새로운 함수, Losg.. 인공지능/ML 2020. 3. 30.
인공지능 5. Multi Variable Linear Regression 이 글은 edwith - [부스트코스] 텐서플로우로 시작하는 딥러닝 기초의 개인적인 공부기록이므로 오류가 있을 수 있습니다! 여태까지는 x_data 하나, y_data 하나만을 가지고 기대값을 구했다. 그러나 이제는 여러 개의 x_data에서 cost를 최소화하는 W를 찾아가는 과정을 살펴보자. x1 x2 x3 y 73 89 75 152 99 79 84 166 87 100 91 190 78 91 90 178 65 100 98 141 다음과 같은 x1, x2, x3 데이터와 y데이터가 있다. 이 데이터들을 행렬로 만들면 다음과 같다. data = np.array([ [73., 89., 75., 152.], [93., 79., 84., 166.], [87., 100., 91., 190.], [78., 91... 인공지능/ML 2020. 3. 27.
인공지능 4. Simple Cost Function / Gradient Descent 이 글은 edwith - [부스트코스] 텐서플로우로 시작하는 딥러닝 기초의 개인적인 공부기록이므로 오류가 있을 수 있습니다! 3번 글의 가설에서 b(y절편)을 빼고 간단하게 만든 후 Python으로 직접 Cost Function과 Gradient Descent를 구현해보자. 기존 가설 간단 가설 다음과 같이 진행된다. Cost Function # Cost Function in pure Python X = np.array([1, 2, 3]) Y = np.array([1, 2, 3]) def cost_func(W, X, Y): c = 0 for i in range(len(X)): c += (W * X[i] - Y[i]) ** 2 # cost function과 동일 return c / len(X) print(.. 인공지능/ML 2020. 3. 26.

티스토리툴바