동선생

This post heavily relies on Andrew Ng's lecture: 심층 신경망 개선하기: 하이퍼파라미터 튜닝, 정규화 및 최적화DeepLearning.AI에서 제공합니다. 딥러닝 스페셜라이제이션의 두 번째 과정에서는 딥러닝 블랙박스를 열어 성능을 향상시키고 좋은 결과를 도출하는 프로세스를 체계적으로 이해합니다. 딥러닝 애www.coursera.orgNormalizationNormalization(정규화) 은 training process의 속도를 높여주는 기법들 중 하나입니다. 주의 해야할 점 중 하나는 test set에도 같은 mean, variance 값을 사용하여 정규화해줘야 올바른 test 결과값이 나온다는 것입니다.Unnormalized cost function과 Norma..

Early stopping is a technique used while training neural networks to prevent the model from overfitting.It basically stops the training process before the model starts to overfit.We monitor the model's performance on a validation set during the training process and stop the training process when the general performance starts to degrade, which indicates that the model is beginning to overfit the..

Deep learning fundamentally requires a large amount of data for effective training.Additionally, to solve the chronic problem of overfitting in deep learning, it needs sufficient high-quality data.However, increasing the amount of data requires significant cost and time, and in some cases, it can be difficult to even collect or process the data.To address this issue, various Data Augmentation te..

This post is a summary of Coursera Andrew Ng's lecture: 머신 러닝 프로젝트 구조화DeepLearning.AI에서 제공합니다. 딥러닝 전문 과정의 세 번째 과정에서는 성공적인 머신러닝 프로젝트를 구축하는 방법을 배우고 머신러닝 프로젝트 리더로서 의사 결정을 연습할 수 있습니다. 이www.coursera.orgEnd-to-end Deep Learning#1 What is End-to-end Deep Learning?딥러닝/머신러닝 알고리즘은 다수의 processing stage를 거치기 마련인데 End-to-end deep learning은 여러 개의 stage들을 하나의 뉴럴 네트워크로 replace 하는 방식임위의 예시에서는 audio 데이터의 feature를..

This post is a summary of Coursera Andrew Ng's lecture: 머신 러닝 프로젝트 구조화DeepLearning.AI에서 제공합니다. 딥러닝 전문 과정의 세 번째 과정에서는 성공적인 머신러닝 프로젝트를 구축하는 방법을 배우고 머신러닝 프로젝트 리더로서 의사 결정을 연습할 수 있습니다. 이www.coursera.org 이 포스트는 전 포스트의 내용과 이어집니다: [Kaggle Study] 8. About Structuring ML Projects (2)This post is a summary of Coursera Andrew Ng's lecture: 머신 러닝 프로젝트 구조화DeepLearning.AI에서 제공합니다. 딥러닝 전문 과정의 세 번째 과정에서는 성공적인 머신..

This post is a summary of Coursera Andrew Ng's lecture: 머신 러닝 프로젝트 구조화DeepLearning.AI에서 제공합니다. 딥러닝 전문 과정의 세 번째 과정에서는 성공적인 머신러닝 프로젝트를 구축하는 방법을 배우고 머신러닝 프로젝트 리더로서 의사 결정을 연습할 수 있습니다. 이www.coursera.org이 포스트는 전 포스트의 내용과 이어집니다: [Kaggle Study] 7. About Structuring ML Projects (1)This post is a summary of Coursera Andrew Ng's lecture: 머신 러닝 프로젝트 구조화DeepLearning.AI에서 제공합니다. 딥러닝 전문 과정의 세 번째 과정에서는 성공적인 머신러..

This post is a summary of Coursera Andrew Ng's lecture: 머신 러닝 프로젝트 구조화DeepLearning.AI에서 제공합니다. 딥러닝 전문 과정의 세 번째 과정에서는 성공적인 머신러닝 프로젝트를 구축하는 방법을 배우고 머신러닝 프로젝트 리더로서 의사 결정을 연습할 수 있습니다. 이www.coursera.orgIntroduction위의 예를 보면 알 수 있듯이 머신러닝 모델이 원하는 성능보다 저조한 성능을 보였을 때 취할 수 있는 조치는 수없이 많습니다. 머신러닝 프로젝트를 진행할 때 수없이 많은 방법들 사이에서 어떤 부분을 집중적으로 개선할지 판단할 수 있는 기준점을 세워야 기한이 정해진 프로젝트에서 원하는 성과를 낼 수 있습니다. Orthogonalizatio..

What makes handling Categorical Variables important?Categorical variables - like colors, cities, or education levels - cannot be directly used in machine learning models since these models only understand numbers.Categorical variable encoding solves this problem by converting these text-based categories into numerical formats that machines can process.The challenge lies in choosing the right enc..

In this post, I want to talk about the difference between GBM(Gradient Boosting Machine) and XGBoost.  Reading the previous post will be helpful for your understanding: [Kaggle Extra Study] 14. Tree-based Ensemble ModelsTree-based Ensemble Models?LightGBM, XGBoost, CatBoost, Random Forest are all tree-based ensemble models.These algorithms are popular on Kaggle because of their high prediction p..

Tree-based Ensemble Models?LightGBM, XGBoost, CatBoost, Random Forest are all tree-based ensemble models.These algorithms are popular on Kaggle because of their high prediction performance, fast learning speed, and ability to handle various data types.They show particularly powerful performance in analyzing structured data."Tree-based": These algorithms all use decision trees as their basic buil..