데분데싸

crkim.pusan.ac.kr/ 랩실 사이트 -> 강의자료 다운 www.kocw.net/home/search/kemView.do?kemId=1363783 수리통계학(I) 학부 수준의 수리통계학 개념을 강의 www.kocw.net www.kocw.net/home/search/kemView.do?kemId=1390551 수리통계학2 통계적 추론에 대한 수리통계적 접근과 개념을 소개한다. www.kocw.net www.kocw.net/home/search/kemView.do?kemId=1355794 고급수리통계학특강(I) 통계학 석사과정 필수과목 www.kocw.net www.kocw.net/home/search/kemView.do?kemId=1355820 고급통계학특강 (II) 인공지능 연구자를 위한 대핟..

김창진 교수님의 강의노트를 서울까지 가서 직접 구해온 보람이 있었다. 원래는 교재 안의 내용을 내용정리하려고 만든 카테고리였는데, 안해도 될 것 같다. 열심히 구글링해보면 해당 교재를 정리한 내용이 왜 없을까 곰곰히 생각해봤는데, 직접 읽고 나니 블로그에 정리할 필요가 없어서였다...! 그냥 강의노트를 읽으면 술술 읽히니까. 괜히 명서가 아닌가보다.

25. 계산그래프 시각화(1)¶ 계산 그래프를 눈으로 확인하기 계산 그래프를 시각화하면 문제가 발생했을 때 원인이 되는 부분을 파악하기 쉬워짐. 또한 더 나은 계산 방법을 발견할 수도 있고, 신경망의 구조를 제3자에게 시각적으로 전달하는 용도로도 활용할 수 있음 시각화 도구로는 Graphviz를 활용하고, 사용법을 알아봄 26. 계산그래프 시각화(2)¶ dezero/utils.py 파일 작성 In [1]: import numpy as np from dezero import Variable In [2]: def _dot_var(v, verbose=False): dot_var = '{} [label="{}", color=orange, style=filled]\n' name = '&#39..

23. 패키지로 정리¶ 모듈: 모듈은 파이썬 파일. 특히 다른 파이썬 프로그램에서 임포트 하여 사용하는 것을 가정하고 만들어진 파이썬 파일을 모듈이라고 함 패키지: 여러 모듈을 묶은 것. 패키지를 만들려면 디렉터리를 만들고 그 안에 모듈(파이썬 파일)을 추가함 라이브러리: 여러 패키지를 묶은 것. 그래서 하나 이상의 디렉터리로 구성됨. 때로는 패키지를 가리켜 라이브러리라고 함 23.1 파일 구성~ 23.2 코어 클래스로 옮기기¶ In [1]: import numpy as np from dezero.core_simple import Variable x = Variable(np.array(1.0)) print(x) variable(1.0) 23.3 연산자 오버로드¶ setup_variable은 Variabl..

20. 연산자 오버로드(1)¶ 이전 단계부터 Variable을 '투명한 상자'로 만드는 작업ㅇ르 시행했지만 아직 + 와 * 같은 연산자에 대응하는 작업이 남아 있음. 예컨대 Variable 인스턴스 a와 b가 있을 때 y = a*b 처럼 코딩할 수 있으면 아주 유용한데, 이렇게 확장하는 것이 이번 장의 목표 궁극적인 목표는 Variable 인스턴스를 ndarray 인스턴스처럼 '보이게' 만드는 것. 이렇게 하면 DeZero를 평범한 넘파이 코드를 작성하듯 사용할 수 있어 넘파이를 사용해본 사람들이 아주 쉽게 배울 수 있음 이제부터 +와 * 연산자를 지원하도록 Variable을 확장함. 그 첫 번째로 곱셈을 수행하는 함수를 구현함 (덧셈은 11단계에서 구현함). 20.0 지금까지의 구현¶ In [1]: i..

17. 메모리 관리와 순환 참조¶ 성능을 개선할 수 있는 대책(기술)을 DeZero에 도입함 본격적인 시작에 앞서, 파이썬에서의 메모리 관리에 대해 알아봄 이번 단계에서 설명하는 파이썬 메모리 관리 설정은 CPython을 기준으로 함 17.0 지금까지 코드 정리¶ In [1]: import weakref import numpy as np import contextlib In [2]: import numpy as np In [3]: def as_array(x): if np.isscalar(x): return np.array(x) return x In [4]: class Variable: def __init__(self, data): if data is not None: if not isinstance(da..

내일(2020년 12월 29일) 부터 친구랑 같이 화,수,목요일 아침 6시에 기상해서 뜀걸음 인증하기로했다. 평일에만 뛰고, 나머지 월, 금요일엔 자유. 아침에 일찍 일어나서 뛰고 난 다음 영어공부에 시간을 투자할 계획이다. 여자친구랑 2021년 버킷리스트에 영어에 관한 이야기도 작성한 만큼, 이번 일을 시작으로 꾸준히 한 번 달려봐야겠다.

- Learn sampling based inference Understand the concep of Metropolis-Hastings Algorithm Know the mechanism of Gibbs sampling -> 머신러닝 계열에서 inference할 때 가장 많이 쓰이는 것이 Gibbs sampling (Metropolis-Hastings Algorithm의 special case) - Detour: EM Algorithm (EM 알고리즘이 강의 중에 참 여러번 나오고 언급된다. 강화학습 공부할 때에도 거의 유사한 방식으로 학습시키는 게 많다보니 중요한 개념이 확실한 것 같다) Finds the maximum likelihood solutions for models with latent ..

15. 복잡한 계산 그래프(이론)¶pass 16. 복잡한 계산 그래프(구현)¶ 이전 장(Step 15)에서 설명한 복잡한 계산 그래프에 관한 이론(노트로는 정리 안함)을 구현함 가장 먼저 순전파 시 '세대'를 설정하는 부분부터 시작 그런 다음, 역전파 시 최근 세대의 함수부터 꺼내도록 함. 이런 방식으로 복잡한 계산 그래프라도 올바른 순서로 역전파로 이루어짐 16.0 현재까지의 구현¶ In [1]: import numpy as np In [2]: def as_array(x): if np.isscalar(x): return np.array(x) return x def square(x): return Square()(x) def exp(x): return Exp()(x) def add(x0, x1): ret..

def answer_check(answer, my_answer): good = [] for idx, value in enumerate(answer): if answer[idx] == my_answer[idx]: good.append(idx) else: print('{} 번 문제 틀림'.format(idx+1)) return print('정답률: {}'.format(len(good)/len(answer))) 빅데이터 분석기사 공부하는데 손으로 채점하는게 귀찮아서 채점하게 만들었다 첫번째 인수에 정답 리스트를 두번째 인수에 내 답 리스트를 넣어서 비교하게 만들었다 ㅋㅋㅋㅋㅋ 공부하는것보다 이런게 시간이 더 잘간다니까