'Lecture 🧑‍🏫' 카테고리의 글 목록 (2 Page)

[Machine Learning] Multivariate Linear Regression

2023.03.14

Multiple Features 여러 변수들을 이용한 선형 회귀를 "multivariate linear regression"이라고 부른다. 이제 입력 변수를 얼마든지 가질 수 있는 방정식에 대한 표기법을 소개하도록 하겠다. hypothesis function의 다변수 형태는 다음과 같이 여러 feature들을 수용한다. $h_{\theta}(x) = \theta_{0} + \theta_{1}x_{1} + \theta_{2}x_{2} + \theta_{3}x_{3} + \cdots + \theta_{n}x_{n}$ 위 수식에 대한 이해를 돕기 위해 집 가격 예 예시를 적용해보면, $\theta_{0}$ 은 일반적인 집 가격, $\theta_{1}$ 은 제곱 미터 당 가격, $\theta_{2}$ 은 층 수 당 ..

Lecture 🧑‍🏫/Coursera

[Machine Learning] Parameter Learning - Gradient Descent

2023.03.13

Gradient Descent 이제 hypothesis function과 이 함수가 데이터에 얼마나 잘 맞는지 측정하는 방법도 가지고 있다. 이제 hypothesis function에서의 parameter를 측정해야 한다. 여기서 경사 하강법이 등장하게 된다. $\theta_{0}$ 과 $\theta_{1}$ 에 기반해서 hypothesis function의 그래프를 상상해보도록 하자. $x$ 와 $y$ 자체를 그래프로 표시하는 것이 아니라 hypothesis function의 파라미터 범위와 특정 파라미터 집합을 선택해서 발생하는 비용을 그래프로 표시한다. $\theta_{0}$ 을 $x$ 축, $\theta_{1}$ 을 $y$ 축, cost function을 수직 $z$ 축으로 두어보자. 그래프의 점은 특정 $\t..

Lecture 🧑‍🏫/Coursera

[Machine Learning] Model & Cost Function

2023.03.13

Model Representation 앞으로 사용될 경우를 위해, 몇 가지 기호들을 정의하고 넘어가도록 하자. $x^{(i)}$ 는 입력 변수를 나타내고, 입력 특징이라고도 부른다. $y^{(i)}$ 는 출력 또는 타겟 변수를 나타내고, 이 값이 우리가 예측하고자 하는 값이다. $(x^{(i)}, y^{(i)})$ 쌍은 학습 예시라고 부르고, 이 데이터셋은 학습할 때 사용된다. 그리고 m개 학습 예시로 이루어진 리스트 $(x^{(i)}, y^{(i)}); i=1, ..., m$ 을 training set이러고 부른다. 그리고 이 모든 기호에서 등장한 " $i$ "는 training set의 인덱스일 뿐, 지수의 역할을 하지 않는다! 🙅 또한, $X$ 는 입력 변수들의 공간을, $Y$ 는 출력 변수들의 공간을 나타낸다..

Lecture 🧑‍🏫/Coursera

[Machine Learning] What is Machine Learning? - Supervised Learning & Unsupervised Learning

2023.03.13

What is Machine Learning? machine learning의 정의에 대해서는 두 가지 입장이 주장되었다. Arthur Samuel에 의하면 Machine Learning은 "컴퓨터에게 명확한 프로그래밍 없이 학습할 수 있는 능력을 주는 분야" 라고 묘사한다. 이 주장은 오래 되었고, 비공식적인 정의이다. 😅 Tom Mitchell은 더욱 현대적인 정의를 제공하였다: "컴퓨터 프로그램은 몇몇 task $T$ 의 클래스에 관한 경험 $E$ 와 성능 지표 $P$ 로부터 학습되서, task $T$ 에서의 성능은 $P$ 에 의해 측정되고, 경험 $E$ 로 향상된다." 체커를 예로 들어서 설명하면 다음과 같다. $E$ : 많은 체커 게임 플레이 경험 $T$ : 체커를 플레이하는 task $P$ : 프로그램이 다음..

Lecture 🧑‍🏫/Coursera

Stanford University Machine Learning 강의(Andrew Ng)

2023.03.13

머신러닝 강의의 대명사라고 불리는 강의인 Andrew Ng의 Machine Learning 강의를 들으면서 정리한 내용들로 포스트를 작성하였다. 순전히 학습용으로 작성한 내용이라 부족한 내용이 있을 수도 있는데, 이런 점에 대한 지적은 언제든 환영합니다!! 🤗 Coursera에서 운영하는 이 강의는 무료로 진행되며, 양질의 정보들을 제공한다. 그래서 한 번 시간이 나면 직접 공부해보기를 적극 권장한다. 강의의 링크는 다음과 같다. 강의 링크: https://www.coursera.org/learn/machine-learning?action=enroll Supervised Machine Learning: Regression and Classification In the first course of the ..

Lecture 🧑‍🏫/Hugging Face Course

Hugging Face Course

2023.02.08

이 코스는 Hugging Face에서 운영하는 코스로, NLP 분야에서 사용되는 Transformer에 대해 학습하고, 직접 Hugging Face 라이브러리를 사용하여 구현해볼 수 있다. 이에 대해 학습하고 정리한 내용들과 코드들은 github에 앞으로 하나하나씩 업로드할 예정이다. 관심이 있는 분들을 제 github를 참고해주실 바랍니다!! Hugging Face Course: https://huggingface.co/course/chapter1/1?fw=pt Introduction - Hugging Face Course 2. Using 🤗 Transformers 3. Fine-tuning a pretrained model 4. Sharing models and tokenizers 5. The 🤗 D..

내 블로그 - 관리자 홈 전환	`Q` `Q`
새 글 쓰기	`W` `W`

글 수정 (권한 있는 경우)	`E` `E`
댓글 영역으로 이동	`C` `C`

이 페이지의 URL 복사	`S` `S`
맨 위로 이동	`T` `T`
티스토리 홈 이동	`H` `H`
단축키 안내	`Shift` + `/` `⇧` + `/`

Lecture 🧑‍🏫

[Machine Learning] Multivariate Linear Regression

[Machine Learning] Parameter Learning - Gradient Descent

[Machine Learning] Model & Cost Function

[Machine Learning] What is Machine Learning? - Supervised Learning & Unsupervised Learning

Stanford University Machine Learning 강의(Andrew Ng)

Hugging Face Course

티스토리툴바

개인정보

단축키

내 블로그

블로그 게시글

모든 영역