MachineLearning3 [Coursera ML][5주차] Neural Network : Learning 우와.. 강의 거의 다 들었는데... 컴퓨터가 맘대로 꺼져서필기가 다 날아갔다 ㅠㅠㅠㅠㅠ 저장을 습관화하자^^ 앞에는 읽기자료에서 다시 최대한 복기...쒸익... * 5주차 학습 목표 : 주어진 트레이닝 세트 parameter를 fitting하는 학습 알고리즘 1. Cost Function and Backpropagation L = total number of layers in the network sl = number of units (not counting bias unit) in layer l K = number of output units/classes Cost Function : logistic regression과 다른 점 : bias unit 포함하지 않고 계산, K=1~K output 유닛.. 2020. 3. 3. [Coursera ML][4주차] Neural Networks : Representation 4주차부터 학습 내용 : Neural Networks이라 불리는 학습 알고리즘 앞서 배운 선형 회귀와 로지스틱 회귀가 기계학습에 사용되고 있는데, 이 알고리즘은 왜 필요할까? 1. Motivations - Non-linear Hypothesis ex. Housing Problem 두 개의 feature간의 상관 정도 : 선형 회귀 -> 하지만 기계 학습에서는 2개보다는 더 많은 feature가 필요 feature에 따른 주택 값을 예측 : 분류 문제 -> 비선형적 but, feature가 많을수록, 모든 요소를 고려하기에는 너무 많고 Overfitting의 문제가 발생할 수 있음 -> 대안 : 요소 중에 어떤 부분집합만 포함 -> 요소가 많을수록 급격하게 요소 공간을 확대하게 되므로, 비선형적 분류를 위.. 2020. 3. 1. [Coursera ML][3주차] Logistic Regression (로지스틱 회귀) 1) Classification and Representation 0 or 1 하나의 값을 가지는 변수 y를 예측 0 : '음성 분류' / 1 : '양성 분류' + multi classification도 있음 cf) 우선 강의에서는 이진 분류 위주로 진행 선형 회귀를 분류문제에 적용하기에는 예시1 ) 데이터에 적용했을 때 임계값 0.5에 대해 잘못된 결과 예시2 ) 가설의 결과값이 0과 1 사이여야 하는 데 그밖의 값을 가질 수 있음 => 이러한 어려움이 있기 때문에 로지스틱 회귀 알고리즘 사용 cf) 로지스틱 회귀에서 회귀는 역사적으로 붙여진 이름이지 선형회귀와 헷갈리지 말것! 가설 표현 모델 : 분류 문제에서 가설 표현 시 사용 ex) hθ(x) will give us the probability .. 2020. 2. 11. 이전 1 다음
