동선생

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..

Birth of Logistic Loss FunctionIn linear regression, the goal was to find weights and bias that minimize the squared error between the actual and predicted values. Besides, the goal of classfication problems like logistic regression is to increase the actual ratio of correctly classified samples data itself. However, the ratio of correctly classified samples is not a differentiable function. In ..

From the previous post which was about overfitting and underfitting, we mentioned that one of the most popular methods to get rid of overfitting is to restrict the weights, which is called Regularization.  [Kaggle Study] 4. Overfitting, Underfitting, Variance and BiasOverfitting and UnderfittingOverfitting refers to cases where a model performs well on the training set but shows poor performance..

Overfitting and UnderfittingOverfitting refers to cases where a model performs well on the training set but shows poor performance on the validation set.Underfitting occurs when there isn't big difference between training and validation set performance, but both show poor performance.Learning CurvesLearning curve: Graph showing the model's learning progressLearning curve at left is a typical gra..

What is Learning Rate?Learning rate is a crucial hyperparameter in machine learning that controls the degree of updates on the model's weights.Generally, a loss function represents a hyperplane(초평면) in multi-dimensional space characterized by complex curvatures.If the weight updates are too large and overshoot the global minimum(the point where the loss function could be minimized), it becomes i..

During data preprocessing step of data analysis, it is necessary to check the scale of the features. What do you mean by "scale of feature"?It simply means the range of values that a particular feature possesses.For example, when A feature has 1 ~ 10 range of numerical values and B feature has 500 ~ 1000 range of numerical values, we can say that these 2 features has a large difference in scale...

First competition following Yuhan Lee's kaggle curriculum. Binary classification competition using tabular data.  First KernelEDA(Exploratory Data Analysis) written on Titanic competition by Yuhan himself.visualization tool used: matplotlib, seaborn, plotlydata analysis tool used: pandas, numpymachine learning tool: sklearncode: https://github.com/LDYWINNER/TIML/blob/main/kaggle-roadmap/binary-c..