devyelin 님의 블로그

1. 주요 KMeans 파라미터:n_clusters: 클러스터의 수. 일반적으로 Elbow Method나 Silhouette Score 등을 사용하여 최적의 k 값을 찾습니다.init: 초기 클러스터 중심을 설정하는 방법. 기본값은 'k-means++'로, 클러스터 중심을 자동으로 잘 초기화합니다.'k-means++': 더 나은 초기화 방법으로, 과거의 KMeans 알고리즘보다 더 빠르고 안정적인 결과를 제공합니다.'random': 무작위로 초기 중심을 설정합니다.ndarray: 사용자 지정 중심을 제공할 수도 있습니다.max_iter: 최대 반복 횟수. 기본값은 300입니다.너무 적게 설정하면 수렴하지 않을 수 있고, 너무 크게 설정하면 계산 비용이 커질 수 있습니다.n_init: 초기화 반복 횟수. ..

01. 딥러닝(Deep Learning)머신러닝의 하위 분야여러 개의 층으로 이루어진 인공 신경망(Artificial Neural Network, ANN)심층 신경망(Deep Neural Network, DNN) 구조: 이미지나 텍스트 분석에 잘 맞음02. 인공 신경망기본 개념: 사람의 뇌가 어떻게 복잡한 문제를 푸는 지에 대한 가설과 모델 기반초기 연구: 워렌 맥컬록(Warren McCulloch), 월터 피츠(Walter Pitts)맥컬록-피츠 뉴런 모델(퍼셉트론)이 처음 구현된 이후, 루멜하트(Rumelhart), 힌튼(Hinton), 윌리엄스가 신경망을 효과적으로 훈련시키는 역전파 알고리즘을 재발견한 이후에 신경망에 대한 관심이 살아남신경망 구조: 여러 층으로 이뤄짐DNN 애플리케이션 예시사진 이..

00. 실루엣 분석(silhouette analysis)군집 품질을 평가하는 또다른 방법 중 하나k-평균 이외의 다른 군집 알고리즘에도 적용 가능01. 실루엣 그래프로 군집 품질 정량화단계샘플과 동일한 클러스터 내 모든 포인트 사이의 거리를 평균하여 클러스터 응집력(cluster cohesion)을 계산샘플과 가장 가까운 클러스터의 모든 샘플 간 평균 거리로 최근접 클러스터의 클러스터 분리도(cluster seoaration)을 계산클러스터 응집력과 분리도 사이의 차이를 둘 중 큰 값으로 나누어 실루엣 결과값 출력응집력: 다른 클러스터와 얼마나 다른지 나타냄분리도: 클러스터 내 다른 샘플과 얼마나 비슷한지 나타냄실루엣 점수가 1.0과 가까울 수록 좋은 군집을 띔실루엣 점수표0.7 ~ 1.0군집이 아주 잘..

비지도 학습: 최종 클래스 레이블이 존재하지 않음 → 지도 학습에서의 성능 평가 방법을 사용할 수 없음따라서 군집 평가를 위해 알고리즘 자체의 지표를 사용01. 엘보우 방법을 사용하여 최적의 클러스터 개수 찾기클래스 내 SSE를 바탕으로 문제에 최적인 클러스터 개수 k를 추정함k가 증가하면 왜곡은 줄어들 것, 샘플이 할당된 센트로이드에 더 가까워지기 때문따라서 왜곡이 빠르게 증가하는 지점의 k 값을 찾는 것k값을 바꿔가며 왜곡 값을 그래프로 그리면 명확히 알 수 있음

01. 퍼지 C-평균(Fuzzy C-Means, FCM) 동의어: 간접 k-평균(soft k-means) 또는 퍼지 k-평균(fuzzy k-means)FCM의 처리 단계는 k-평균과 유사차이점: 포인트가 직접적으로 클러스터에 할당되는 것을 각 클러스터에 속할 확률로 바뀜단계센트로이드 개수 k를 지정하고 랜덤하게 각 포인트에 대해 클러스터 확률을 할당클러스터 센트로이드를 계산각 샘플에 대해 클러스터 소속 확률을 업데이트클러스터 확률이 변하지 않거나 사용자가 지정한 허용 오차나 최대 반복 횟수에 도달할 때까지 단계 2와 3을 반복퍼지 계수(fuzziness coefficient, == 퍼지 지수(fuzzofoer)): 지수 m, 1보다 크거가 같으며(일반적으로 m=2) 퍼지의 정도를 제어m이 클수록 소속 확..

00. K-평균 알고리즘을 사용하여 유사한 객체 그룹핑군집 알고리즘(clustering) 비슷한 객체로 이루어진 그룹을 찾는 기법같은 그룹 안에 객체들과의 연관성이 다른 그룹 안의 객체들보다 연관성이 높음예시: 문서나 음악, 영화를 여러 주제의 그룹으로 모으는 경우, 추천 엔진에서 구매 이력을 기준으로 관심사 비슷한 고객을 찾음01. 사이킷런을 이용한 k-평균 군집장점: 구현하기 쉽고 다른 군집 알고리즘에 비해 계산 효율성이 높음프로토타입 기반 군집(prototype-based clustering)의미: 각 클러스터가 하나의 프로토타입으로 표현됨연속적인 특성에서는 비슷한 데이터 포인트의 센트로이드(centroid), 즉 평균범주형 특성에서는 메도이드(medoid), 즉 가장 대표되는 포인트나 가장 자주 ..

1. 막대 그래프 (Bar Chart)사용 목적: 범주형 데이터의 수량 비교import matplotlib.pyplot as plt categories = ['A', 'B', 'C'] values = [10, 20, 15] plt.bar(categories, values) plt.title("카테고리별 값") plt.xlabel("카테고리") plt.ylabel("값") plt.show()plt.bar() → 수직plt.barh() → 수평📈 2. 선 그래프 (Line Plot)사용 목적: 시간에 따른 변화, 추세 분석x = [1, 2, 3, 4, 5] y = [10, 12, 8, 15, 20] plt.plot(x, y, marker='o') plt.title("시간에 따른 변화") plt.xlabel..

00. 모수 모델(parametric model), 비모수 모델(nonparametric model), 인스턴스 기반 모델모수 모델: 새로운 데이터 포인트를 분류할 수 있는 함수를 학습하기 위해 훈련 데이터 셋에서 모델 파라미터를 추정훈련이 끝나면 원본 훈련 데이터셋이 필요 없음모수 모델 알고리즘 종류: 퍼셉트론, 로지스틱 회귀, 선형 SVM비모수 모델: 고정된 개수의 파라미터가 아닌 훈련 데이터가 늘어남에 따라 파라미터 개수도 늘어남비모수 모델 알고리즘 종류: 결정 트리/랜덤 포레스트, 커널 SVM, KNN인스턴스 기반 모델: 훈련 데이터 셋을 메모리에 저장01. K-최근접 이웃(K-Nearest Neighbor, KNN)지도 학습 알고리즘전형적인 게으른 학습기(lazy learner): 훈련 데이터에..

00. 적응형 선형 뉴런(ADAptive Linear NEuron, ADALINE)단일층 신경망의 종류버나드 위드로우와 테드 호프가 프랑크가 아달린을 발표아달린: 퍼셉트론의 향상된 버전01. 아달린 (ADALINE)핵심 개념: 연속 함수로 비용 함수를 정의하고 최소화함아달린 규칙 vs 퍼셉트론의 차이점가중치를 업데이트할 때: 퍼셉트론은 단위 계단 함수를 사용, 아달린은 선형 활성화 함수를 사용즉, 아달린은 퍼셉트론에서 최종 입력 함수와 임계 함수 사이에 활성화 함수가 추가된 형태아달린에서의 선형 활성화 함수: 단순한 항등 함수아달린과 퍼셉트론의 오차 비교 방법아달린: 진짜 클래스 레이블과 선형 활성화 함수의 실수 출력값을 이용해 모델의 오차를 계산하고 가중치를 업데이트퍼셉트론: 진짜 클래스 레이블과 예측..

기간: 2025.04.07 ~ 2025.04.1401. 학습 내용- Javascript[JavaScript] 변수[JavaScript] let, const 키워드와 블록 레벨 스코프[JavaScript] 표현식과 문- machine learning[머신러닝 & 딥러닝] 퍼셉트론(perceptron) - 이론02. 이번 주 목표AI 프로젝트 - 신사숙녀 쇼핑몰에 LLM 채팅 봇 추가 완료하기신사숙녀 쇼핑몰 기능 리팩토링 & 예외 처리 추가machine learning & deep learning 블로그 정리03. 회고록  이번 주에 AI 블로그 정리를 마무리하고 싶었는데, python이랑 js도 정리하고 싶어서 여러가지로 깊게 공부하지 못한 것이 아쉽슴니다.. 그래서 이번 주에는 딱 AI랑 프로젝트만 집중..