| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | |||
| 5 | 6 | 7 | 8 | 9 | 10 | 11 |
| 12 | 13 | 14 | 15 | 16 | 17 | 18 |
| 19 | 20 | 21 | 22 | 23 | 24 | 25 |
| 26 | 27 | 28 | 29 | 30 | 31 |
- Manager
- GoogLeNet
- vim-plug
- python
- AI
- Residual Connection
- Linear
- DL
- Inception V1
- iTerm2
- jupyter
- Bottleneck Layer
- Gated Skip Connection
- DCGAN
- GCN
- RNN
- Peephole Connection
- version
- Regression
- Skip Connectioin
- Optimizer
- Skip Connection
- sigmoid
- virtualenv
- cnn
- Generative
- Vanilla RNN
- classification
- Inception Module
- ResNet
- Today
- Total
목록classification (2)
IT Repository
Thinking of Decision Boundary¶ 이전 학습시간에 따른 Pass/Fail 문제는 "학습시간" 이라는 하나의 feature를 통해 Pass 또는 Fail로 Binary Classification을 하는 경우였습니다. 이번에는 2개의 feature를 생각해보겠습니다. 두 번의 시험성적을 통해 Pass/Fail을 분류하는 문제를 가정해 봅시다. In [269]: import numpy as np import matplotlib.pyplot as plt x1 = np.random.randint(0, 50, 20) x2 = np.random.randint(0, 50, 20) passed = 50=(x1+x2) plt.figure(figsize=(16, 4)) ax1 = plt.subplot(..
Classification¶ Regression과 마찬가지로 데이터 x를 넣었을 때, y가 출력으로 나오는 문제입니다. 다만 출력으로 나오게 되는 y가 Discrete한 space를 가지고 있다는게 차이점입니다. 개와 고양이의 분류, 점수에 따른 학점의 분류, 소비 패턴에 따른 성별예측과 같은 것이 Classification의 예 입니다. Linear Regression의 Hypothesis를 사용한다면?¶ In [199]: import numpy as np import matplotlib.pyplot as plt hour = np.arange(1, 11).astype(int) hour = np.concatenate([hour, np.array([20])]) label = np.zeros(11).asty..