[IBM course #4] Introduction to Neural Networks and PyTorch Linear Regression Prediction독립 변수 x, 종속 변수 y 사이의 관계를 선형 함수로 모델링.모델: y = w*x + b (w: weight, b: bias)예측값은 ŷ로 표기. 직접 텐서로 모델 정의requires_grad=True로 파라미터 정의forward() 함수에서 직접 선형 계산 수행2행 1열 텐서 입력 → 각 행마다 선형 함수 적용하여 출력 텐서 생성 가능w = torch.tensor(2.0, requires_grad = True)b = torch.tensor(-1.0, requires_grad = True)def forward(x): yhat = w * x ..

[IBM course #4] Introduction to Neural Networks and PyTorch Simple DatasetDataset 클래스torch.utils.data.Dataset은 PyTorch에서 데이터셋을 커스터마이징할 수 있도록 제공하는 추상 클래스(Abstract Class)주로 __init__, __len__, __getitem__ 메서드를 구현해서 나만의 데이터셋을 만들 수 있음__init__ : 초기화 메서드. 파일 경로, 라벨, 전처리 등을 저장하고 준비__len__ : 데이터셋의 총 길이 반환. len(dataset) 호출 시 몇 개의 샘플이 있는지 알려줌__getitem__ : 주어진 index에 해당하는 데이터 샘플 하나를 반환. dataset[i] 호출 시 i번째 ..

[IBM course #4] Introduction to Neural Networks and PyTorch Overview of Tensors신경망은 수학적 함수이며, 입력 → 처리 → 출력 구조로 구성.PyTorch의 모든 구성 요소는 텐서로 표현된다.즉,입력 x → 텐서출력 y → 텐서신경망의 가중치 (파라미터) → 텐서 PyTorch 텐서는 쉽게 NumPy 배열로 변환 가능PyTorch는 GPU 연산을 손쉽게 지원 파라미터에 대해 requires_grad=True로 설정 시, 자동 미분이 가능→ 이를 통해 모델 학습이 가능해짐 Tensors 1D0차원 텐서 → 숫자1차원 텐서 → 숫자의 배열 (DB의 row, vector, time series) tensor types실수 → float tensor..

[IBM AI course #3] Deep Learning & Neural Networks with Keras 강화학습(Reinforcement Learning)에이전트는 환경과 상호작용하며, 행동(action)을 통해 환경을 변화시키고 보상(reward)을 받음.(예: 게임에서는 플레이어 = 에이전트, 체스판이나 웹페이지 = 환경.)→ 에이전트가 보상을 극대화하는 최적의 정책(policy)을 학습하는 알고리즘 사례DeepMind의 Atari, AlphaGo는 강화학습 기반으로 인간을 이김. 학습 원리행동은 환경 상태를 변화시키고,보상이 주어지면 해당 행동이 강화되어, 유사한 상황에서 반복될 가능성이 높아짐보상은 즉시 주어지지 않을 수 있고, 여러 단계 후에 발생하는 경우도 있음 문제점데이터와 연산량이 ..

[IBM AI course #3] Deep Learning & Neural Networks with Keras Advanced Keras TechniquesCustom Training Loops: 고급 학습 전략 구현 가능.Custom Layers: tf.keras.layers.Layer 상속 후 build 및 call 정의.Custom Callbacks: 학습 중 사용자 정의 로직 실행. Keras의 Custom Training Loop기본 fit() 대신 직접 학습 루프 구현 → 유연성 향상Dataset, Model, Optimizer, Loss function 방법데이터셋을 반복(iterate)모델 예측 수행손실(loss) 계산tf.GradientTape를 이용해 기울기(gradient) 계산옵티마..

[IBM AI course #3] Deep Learning & Neural Networks with Keras Unsupervised Learning in KerasUnsupervised Learning라벨(정답)이 없는 데이터를 기반으로 숨겨진 패턴과 구조를 찾는 기법.클러스터링, 차원 축소, 이상 탐지 등에 활용n">분류설명예시n">Clustering비슷한 데이터끼리 그룹(클러스터)로 나누기K-means, Hierarchical Clusteringn">Association변수들 간의 빈번한 관계/규칙 찾기Apriori, Eclatn">Dimensionality Reduction데이터의 차원 축소를 통해 핵심 특성만 추출PCA, T-SNE 오토인코더Dimensionality Reduction의 PCA..

[IBM AI course #3] Deep Learning & Neural Networks with Keras Introduction to Transformers in KerasTransformer는 자연어 처리(NLP) 분야를 혁신했고, 지금은 이미지 처리, 시계열 예측 등 다양한 영역으로 확장되었다. ("Attention is All You Need” 논문)RNN과 달리 self-attention을 통해 병렬 처리가 가능해졌다 주요 구성 요소인코더와 디코더 인코더와 디코더 공통 구조Self-attention mechanismFeed-forward neural networkResidual connectionLayer normalization 인코더입력을 임베딩 후, Positional Encoding ..

[IBM AI course #3] Deep Learning & Neural Networks with Keras Advanced CNNs in KerasCNN은 시각 데이터를 처리하는 딥러닝 구조로, convolutional, pooling, fully connected layer로 구성됨.Convolutional Layer: 이미지에서 특징 추출Pooling Layer: 특징 맵 크기 감소 → 계산량 줄이기Fully Connected Layer: 최종 분류 작업 수행 기본 CNN 모델 구성Conv2D → MaxPooling → Conv2D → MaxPooling → Flatten → Dense → Output Data Augmentation Techniques목적모델의 일반화 능력 향상, 과적합(ove..

[IBM AI course #3] Deep Learning & Neural Networks with Keras TensorFlow구글이 개발한 오픈 소스 머신러닝 플랫폼으로, 머신러닝과 딥러닝 모델을 구축하고 다양한 환경에 배포할 수 있는 도구를 제공 TensorFlow 2.X의 핵심 기능Eager Execution: 연산을 즉시 실행하여 디버깅과 인터랙티브한 프로그래밍에 유리직관적인 고수준 API: Keras 통합으로 모델 생성 및 학습 간소화다양한 플랫폼 지원: 모바일, 웹, 임베디드 디바이스 등확장성과 성능: CPU, GPU, TPU까지 확장 가능풍부한 생태계: TFLite, TFJS, TFX 등 다양한 도구 및 라이브러리 포함 Eager Execution의 장점→ TensorFlow 2.X의 주요..

[IBM AI course #3] Deep Learning & Neural Networks with Keras Introduction to Advanced Keras 실제 적용 분야헬스케어: 질병 진단용 의료 이미지 분석금융: 시장 예측자율주행: 객체 및 차선 인식 Functional APIKeras Functional API는 Sequential API보다 더 유연하게 복잡한 신경망 모델을 구축하게 해주며, 단순한 레이어 스택 이상의 모델이 필요할 때 유용하다. 가능한 구조다중 입력과 다중 출력공유 레이어 (Shared Layers)비선형 데이터 흐름→ 맞춤형 솔루션이 필요한 복잡한 문제를 연구하고 해결하는 데 매우 중요 레이어들을 순차적으로 쌓는 것이 아니라, 레이어 간 연결을 명시적으로 정의하는 ..