프로그래머스 LV 3. 대여 횟수가 많은 자동차들의 월별 대여 횟수 구하기 프로그래머스 LV 4 그룹별 조건에 맞는 식당 목록 출력하기 프로그래머스 LV 3. 즐겨찾기가 가장 많은 식당 정보 출력하기 모든 값이 NULL인 새로운 열 만들기 : SELECT NULL AS "열 이름"

We have seen how to construct a Neural Network architecture, and how to preprocess the data. Before we can begin to train the network we have to initialize its parameters. data가 well-normalized 되었다는 가정하에 학습되는 (최종) weight 또한 0을 중심으로 절반은 양수값, 절반은 음수값으로 정해질 것이라고 예측할 수 있을텐데, 그렇다면 다 동일하게 그냥 w=0으로 초기화하면 안되는가?의 질문이다. 모든 w가 동일하다면 ouput = wx로 모든 뉴런이 동일한 parameter update 과정을 겪게 될 것이고 이러면 뉴런을 여러 개 쌓아준 의미가 ..

[ Zero-Centering & Normalization ] * why zero-centering? - recall how gradient was oriented inefficiently when all the inputs were positive either negative - classification becomes less sensitive to small changes in weights * zero-centering : substract the data by global mean * normalizing : divide the data by standard deviation [ PCA & Whitening ] * PCA : data becomes zero-centered AND axis-ali..

# activation function의 역할 : 비선형성 구현 linear한 hidden layer 백만개 쌓아봤자 linear 백만개 합성하면 그대로 linear이기에... activation funciton을 이용하여 non-linearity가 가능하게, 모델이 더 복잡하게 만들어질 수 있도록 해준다. 활성화 함수의 종류로 여러 가지 (sigmoid / tanh / ReLU)등이 있는데 이들 중 어떤 function을 neural network model로 이용할지 결정해야 한다. Sigmoid Function σ(x) = 1/(1+exp(-x)) 위 그림에서 보이는것처럼 σ(x) 의 output은 (0,1)의 범위내로 출력된다. 초기 간단한 Neural Network 구현에서는 σ(x)의 outp..

https://mode.com/blog/date-trunc-sql-timestamp-function-count-on/ date_trunc는 postgresql에 해당, my sql에서 가장 비슷한거는 extract임 DATE_TRUNC: SQL Timestamp Function Explained | Mode Learn how to use Date_Trunc in SQL to round a timestamp to the interval you need. Aggregate time-based data with this helpful function. Examples included. mode.com https://walkingfox.tistory.com/175 [MySQL] date_trunc 함수를 구현하..

Fully - Connected Layer - 모든 input 값과 output 값이 1:1로 연결됨 - Fully-Connected layer models relationships from every input value to every output value - 따라서, it is assumed that any output value can be affected by any input value 지금까지 배운 MLP(다층신경망)가, 가중치 W를 input X에 행렬곱 해주고 이를 활성화함수에 통과시키는 fully connected 구조였다. Convolution 연산 - fully connected 구조와 다르게 kernel을 input vector에서 움직이면서 linear model이 적용되는 연..

1. Issues with Linear Classifiers 2. Features 3. Image Features domain knowledge를 이용해서 feature를 뽑아내고 ML Training을 할 수 있다면 그게 best 무조건 딥러닝 적용한다고 다 좋은게 아님 그래서 우리는 어떻게 저 이미지 원본 (original input X)로부터 label y (output)까지 한 번에 연결할 수 있을까? 그리고 학습을 바탕으로 파라미터를 업데이트해서 더 이미지를 잘 분류할 수 있는 classifier를 만들 수 있을까? ==> Neural Network의 도입 4. Neural Network 신경망의 가장 간단한 구조인 퍼셉트론에서 시작해서 XOR문제를 해결하기 위해 여러 개의 층을 연결함 MLP로..

Q . How to set the values in W parameters? Machine Learning : data-driven approach we(human) just design the form of our model (eg. f(W,x) = Wx ), and initialize the parameter value (W) randomly (초기화만 우리가, 정해주는건 machine이) then, find a training data X to estimate the label (y hat) compare our estimation (y hat) to ground truth label (y), estimating how good/bad we are currently (=Loss Function) u..

Linear Classifier 32*32 픽셀의 이미지에 대해서 R/G/B 별로 색이 지정된다고 생각하고 Input 이미지에 대해서 라벨링을 하는 과정 (label y : Output) x (input) 을 linear 함수 f 에 넣어서 각 레벨별로 점수를 산출한다. x 와 가중치 W를 내적곱 하면 아래 그림과 같이 곱해질 것이다. 지금부터는 아래 도식과 같이 bias 'b'를 따로 빼지 않고 가중치 'W'안에 열로 넣어줘서 한번에 볼 것이다. (학습 데이터 x에는 1값의 행을 한 줄 추가해줘서 가중치에 추가된 열과 곱해지게 만든다) 다시 이미지가 있다고 생각하고 예시를 들어보면 아래와 같음. 최종 linear classifier model : f (x,W) = Wx Advantages of para..