EIGHTBOX

표준화(Standardization)와 정규화(Normalization)의 차이

데이터 전처리에서 표준화(Standardization)와 정규화(Normalization)는 모두 데이터의 스케일을 조정하는 방법이지만, 그 방식과 목적에서 차이가 있습니다. 표준화 (Standardization) 표준화는 데이터에서 평균을 빼고, 그 결과를 표준편차로 나누는 과정입니다. 이 방법은 데이터의 평균을 0으로, 표준편차를 1로 만듭니다. 표준화는 데이터가 정규 분포를 따른다는 가정 하에, 데이터의 스케일을 조정합니다. 공식: ( z = \frac{(x - \mu)}{\sigma} ) 여기서 ( x )는 원래 값, ( \mu )는 평균, ( \sigma )는 표준편차입니다. 결과적으로, 변환된 데이터는 평균이 0이고 분산이 1인 분포를 가지게 됩니다. 표준화는 이상치에 덜 민감하며, 많은 머신..

2024. 2. 20. 18:18 hwaya.

Encyclopedia/Info

표준화(Standardization)와 정규화(Normalization)의 차이

by hwaya.
2024. 2. 20. 18:18

Computer/Machine learning models

RNN에서 사용되는 'input_shape' 알아보자

input_shape에서의 시퀀스 길이와 특성 수는 순환 신경망(RNN) 또는 그 변형인 LSTM, GRU 레이어에 입력되는 데이터의 구조를 나타냅니다. 이들은 시계열 데이터나 텍스트 데이터와 같이 순차적인 데이터를 처리할 때 사용됩니다. 시퀀스 길이 (Sequence Length): 이는 입력 데이터의 시간 단계 또는 순차적인 단계의 수를 나타냅니다. 즉, 하나의 시퀀스 내에 있는 연속적인 데이터 포인트의 개수입니다. 예를 들어, 시계열 데이터에서 시퀀스 길이는 고려하고자 하는 시간 프레임의 길이가 될 수 있습니다. 만약 하루 동안 시간별 데이터를 고려한다면, 시퀀스 길이는 24가 될 수 있습니다. 특성 수 (Number of Features): 이는 각 시간 단계에서의 관찰된 특성(변수)의 수를 나타..

2024. 2. 20. 11:46 hwaya.

Computer/Machine learning models

RNN에서 사용되는 'input_shape' 알아보자

by hwaya.
2024. 2. 20. 11:46

Computer/Machine learning models

LSTM(Long Short-Term Memory)과 GRU(Gated Recurrent Unit)의 특징 비교

LSTM(Long Short-Term Memory)과 GRU(Gated Recurrent Unit)는 둘 다 순환 신경망(RNN)의 변형으로, 시퀀스 데이터(예: 시계열 데이터, 텍스트 등)를 처리하는 데 사용됩니다. 두 구조 모두 기본 RNN의 단점인 장기 의존성 문제를 해결하기 위해 고안되었으나, 그들의 내부 구조와 작동 방식에서 차이가 있습니다. LSTM의 특징 게이트: LSTM은 셀 상태를 조절하기 위해 세 개의 게이트(입력 게이트, 출력 게이트, 망각 게이트)를 사용합니다. 이 게이트들은 네트워크가 장기간에 걸친 의존성을 학습할 수 있도록 돕습니다. 셀 상태: LSTM은 셀 상태라는 추가적인 정보 흐름을 가지고 있으며, 이는 네트워크를 통해 정보를 장기간에 걸쳐 전달하는 데 도움을 줍니다. 매개..

2024. 2. 20. 11:06 hwaya.

Computer/Machine learning models

LSTM(Long Short-Term Memory)과 GRU(Gated Recurrent Unit)의 특징 비교

by hwaya.
2024. 2. 20. 11:06

Encyclopedia/Info

양자 컴퓨터 관련 특허 등록 많은 회사

양자 컴퓨터 관련 특허 등록 많은 회사들의 순서 International Business Machines Corp (IBM): IBM은 2002년부터 2022년까지 총 1,978건의 양자 컴퓨팅 관련 특허를 보유하고 있으며, 기술, 미디어, 통신 부문에서 가장 많은 특허를 보유하고 있습니다 Alphabet Inc (구글의 모회사): Alphabet Inc는 총 944건의 특허를 보유하고 있으며, 이 중 95.6%는 자회사인 Google LLC에 의해 기여되었습니다 D-Wave Quantum Inc: D-Wave Quantum Inc는 총 806건의 특허를 보유하고 있으며, 이 중 96.5%는 자회사인 D-Wave Systems Inc에 의해 기여되었습니다 Northrop Grumman Corp: Nort..

2024. 2. 19. 11:09 hwaya.

Encyclopedia/Info

양자 컴퓨터 관련 특허 등록 많은 회사

by hwaya.
2024. 2. 19. 11:09

Encyclopedia/Info

ASSURE 모형의 절차

ASSURE 모형은 교육 과정과 수업 계획을 설계할 때 사용되는 모델로, 학습자 중심의 접근 방식을 강조합니다. ASSURE는 다음과 같은 여섯 가지 주요 단계로 구성됩니다: Analyze Learners (학습자 분석): 이 단계에서는 학습자의 특성, 배경 지식, 학습 스타일 등을 평가하여 수업 계획에 반영합니다. 학습자의 필요와 요구를 이해하는 것이 중요합니다. State Objectives (목표 설정): 학습 목표를 명확하게 정의합니다. 이 목표들은 학습자가 수업을 통해 달성해야 할 구체적인 지식, 기술, 태도를 반영해야 합니다. Select Methods, Media, and Materials (방법, 매체 및 자료 선택): 설정된 학습 목표를 달성하기 위해 적절한 교수법, 매체 및 자료를 선택..

2024. 2. 18. 00:27 hwaya.

Encyclopedia/Info

ASSURE 모형의 절차

by hwaya.
2024. 2. 18. 00:27

Story/찾아보기

기독교 아이스브레이킹 질문

https://warmupdeck.seonghwa.net/ Warm Up Deck 마음을 읽는 시간, 질문카드, 대화, 나눔 warmupdeck.seonghwa.net 마음을 읽은 시간, Warm Up Deck 을 만들때 질문을 한번 정리해본것들이다. 혹시나, 필요한 분들 있을까 올려본다. LD.1 가볍게 시작하기 요즘 관심 있는 일은 무엇인가요? 휴대폰으로 가장 많이 하는 일은 무엇인가요? 가장 좋아하는 음식은 무엇인가요? 일주일의 휴가가 주어진다면 하고싶은 일은 무엇인가요? 살면서 가장 기뻤던 일은 무엇인가요? (여러개도 좋아요) 어렸을 때 꿈은 무엇이었습니까? 좋아하는 동물은 무엇입니까? 죽기 전에 단 한가지 음식을 먹을 수 있다면 무엇을 먹겠습니까? 가장 좋아하는 디저트는 무엇인가요? 좋아하는 영..

2024. 2. 18. 00:24 hwaya.

Story/찾아보기

기독교 아이스브레이킹 질문

by hwaya.
2024. 2. 18. 00:24

Story/찾아보기

한국, 쿠바와 전격 수교!

수교배경 및 과정 한국과 쿠바가 수교를 전격 발표했습니다. 이로써 쿠바는 한국의 193번째 수교국이 되었으며, 중남미 국가 중 유일하게 미수교국이었던 쿠바와의 관계가 새롭게 시작되었습니다. 수교 발표는 미국 뉴욕에서 양국의 주유엔대표부가 대사급 외교관계 수립에 합의하면서 이루어졌으며, 쿠바 외교부도 이를 공식적으로 발표했습니다. 양국의 수교 협의는 극도의 보안 아래 진행되었으며, 특히 한국의 설 연휴 기간 동안 협의가 급진전된 것으로 알려졌습니다. 쿠바는 1949년에 한국을 승인했으나, 1959년 쿠바의 사회주의 혁명 이후 양국 간 교류가 단절되었습니다. 2016년에는 박근혜 정부 시절 윤병세 외교부 장관이 쿠바를 방문하여 첫 공식 외교장관 회담을 가졌지만, 그때는 수교로 이어지지 않았습니다. 이번 수교..

2024. 2. 15. 22:30 hwaya.

Story/찾아보기

한국, 쿠바와 전격 수교!

by hwaya.
2024. 2. 15. 22:30

Computer/Machine learning models

recurrent_activation

recurrent_activation recurrent_activation은 순환 신경망(RNN)의 게이트 제어에 사용되는 활성화 함수를 지정하는 옵션입니다. LSTM과 GRU 같은 RNN 구조에서 게이트는 셀의 상태를 어떻게 업데이트할지 결정하는 중요한 역할을 합니다. 여기서는 recurrent_activation에 사용될 수 있는 몇 가지 일반적인 활성화 함수와 그 설명을 제공합니다: 1. Sigmoid ('sigmoid') 설명: sigmoid 함수는 출력을 0과 1 사이로 제한합니다. 이 특성 때문에 sigmoid는 게이트의 열림과 닫힘을 제어하는 데 주로 사용됩니다. 출력이 1에 가까우면 게이트는 완전히 열리고, 0에 가까우면 게이트는 완전히 닫힙니다. 사용 예: LSTM과 GRU의 입력 게이트..

2024. 2. 14. 14:51 hwaya.

Computer/Machine learning models

recurrent_activation

by hwaya.
2024. 2. 14. 14:51

Data/화보

에스파(aespa) 쇼파드 프레셔스 레이스 & 디아망트 캠페인 화보

에스파(aespa) 쇼파드 프레셔스 레이스 & 디아망트 캠페인 화보 그룹명 'aespa (에스파)'는 ‘아바타 X 익스피리언스 (Avatar X Experience)’를 표현

2024. 2. 13. 16:39 hwaya.

Data/화보

에스파(aespa) 쇼파드 프레셔스 레이스 & 디아망트 캠페인 화보

by hwaya.
2024. 2. 13. 16:39

Computer/Machine learning models

Epochs 와 Batch Size

epochs와 batch_size는 신경망을 훈련할 때 사용되는 두 가지 중요한 하이퍼파라미터입니다. 이들의 역할은 다음과 같습니다: Epochs 정의: 한 epoch은 전체 데이터 세트가 신경망을 통해 한 번 전달되는 과정을 의미합니다. 다시 말해, 모든 훈련 데이터가 신경망을 한 번 통과하고 가중치가 업데이트되는 과정이 하나의 epoch입니다. 용도: epochs=100이라는 설정은 전체 훈련 데이터 세트를 신경망을 통해 총 100번 전달하겠다는 것을 의미합니다. 이를 통해 모델이 훈련 데이터로부터 패턴을 학습하고 성능을 개선할 기회를 제공합니다. 중요성: 너무 적은 수의 epoch는 모델이 데이터에서 충분한 패턴을 학습하지 못하게 할 수 있으며, 너무 많은 epoch는 과적합(overfitting)..

2024. 2. 13. 14:35 hwaya.

Computer/Machine learning models

Epochs 와 Batch Size

by hwaya.
2024. 2. 13. 14:35

Computer/Machine learning models

데이터 분할 : train_test_split

X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42) 머신러닝 모델을 훈련시키기 위해 전체 데이터셋을 훈련 데이터와 테스트 데이터로 분할하는 과정을 나타냅니다. train_test_split 함수는 scikit-learn 라이브러리의 model_selection 모듈에 포함되어 있으며, 데이터를 무작위로 훈련 세트와 테스트 세트로 나누는 데 사용됩니다. 각 부분의 구성 요소를 자세히 살펴보겠습니다: X_scaled: 모델 훈련에 사용할 피처(독립 변수)입니다. 이 변수는 스케일링된 데이터를 나타내며, 스케일링은 피처들의 범위를 일정하게 맞추기 위해 수행됩니다. 스케일링은 모델의 성능을 ..

2024. 2. 13. 14:23 hwaya.

Computer/Machine learning models

데이터 분할 : train_test_split

by hwaya.
2024. 2. 13. 14:23

Computer/Micro:bit

빗방울 피하기

마이크로 비트를 제어하는 기본 문법을 학습하여 게임을 만든다. # 게임셋팅 def gameSetting(): global start, gameSpeed, sprite, direction start = False gameSpeed = 500 sprite = game.create_sprite(2, 4) # sprite가 처음 배치가 되면 오른쪽을 바라보고 있다. 초기 세팅을 해주는것. direction = "right" rainSetting() # 게임오버 만들기 def spriteDie(): global start if sprite.is_touching(rain1) or sprite.is_touching(rain2) or sprite.is_touching(rain3): rain1.delete() rain2..

2024. 2. 12. 23:53 hwaya.

Computer/Micro:bit

빗방울 피하기

by hwaya.
2024. 2. 12. 23:53

EIGHTBOX

hwaya.

programmer

🍋일상의 소소한 순간들부터 큰 꿈까지, 호기심을 만족시킬 다양한 카테고리를 담은 블로그 입니다. 그리고, 소소한 행동에 감동하며 기뻐하고 하루하루에 감사하는 사람🌵

Today Yesterday Total

표준화(Standardization)와 정규화(Normalization)의 차이

표준화(Standardization)와 정규화(Normalization)의 차이

RNN에서 사용되는 'input_shape' 알아보자

RNN에서 사용되는 'input_shape' 알아보자

LSTM(Long Short-Term Memory)과 GRU(Gated Recurrent Unit)의 특징 비교

LSTM(Long Short-Term Memory)과 GRU(Gated Recurrent Unit)의 특징 비교

양자 컴퓨터 관련 특허 등록 많은 회사

양자 컴퓨터 관련 특허 등록 많은 회사

ASSURE 모형의 절차

ASSURE 모형의 절차

기독교 아이스브레이킹 질문

기독교 아이스브레이킹 질문

한국, 쿠바와 전격 수교!

한국, 쿠바와 전격 수교!

recurrent_activation

recurrent_activation

에스파(aespa) 쇼파드 프레셔스 레이스 & 디아망트 캠페인 화보

에스파(aespa) 쇼파드 프레셔스 레이스 & 디아망트 캠페인 화보

Epochs 와 Batch Size

Epochs 와 Batch Size

데이터 분할 : train_test_split

데이터 분할 : train_test_split

빗방울 피하기

빗방울 피하기

hwaya.

최신글

티스토리툴바