DeepLearning Study
# Python
# MachineLearning
# DeepLearning
What is this?
머신 / 딥 러닝 관련 실습 소스입니다.
MachineLearning Indexes
-
생활코딩을 통한 (딥러닝 맛보기 "입문")
- pandas 익히기 (practice1_pandas.py)
- 레몬에이드 판매 예측 모델 (practice2_lemonade.py)
- 보스턴 집값 예측 모델 (practice3_boston.py)
- 아이리스 꽃 예측 모델 (practice4_iris.py)
- 딥러닝 신경망의 완성 멀티레이어 (practice5_multilayer.py)
-
머신러닝의 기초 (수치 예측)
- 선형회귀 (linear_regression.py)
- 당뇨병 환자 데이터 준비 및 시각화
- 경사 하강법을 이용한 적절한 학습 기법 찾기 (gradient_descent.py)
- 예측값으로 올바른 모델 찾기
- 변화율를 통한 가중치 찾기
- 오차 역전파로 더욱 더 적절한 가중치 찾기
- 전체 샘플을 통하여 가중치 찾기
- 에포크
- 학습된 모델로 값 예측하기
- 손실 함수와 경사 하강법의 관계
- 선형 회귀를 위한 뉴런 만들기 (make_neuron.py)
- 선형회귀 (linear_regression.py)
-
분류하는 뉴런 만들기 (이진 분류)
- 로지스틱 회귀 (logistic_regression.py)
- 유방암 데이터 set 준비
- 훈련 set / 테스트 set 나누기
- 로지스틱 뉴런 클래스 만들기
- 단일층 신경망 클래스 만들기
- 사이킷런으로 로지스틱 회귀 수행하기
- 로지스틱 회귀 (logistic_regression.py)
DeepLearning Indexes
개인 연습
-
파이토치 다루기 (pytorch_tutorials)
- Tensor 생성
- Tensor 기본 연산
- Tensor 형태 변환
- Tensor 자르기 & 붙이기
-
신경망의 기본 구성요소 살펴보기 (linear_layer)
- 행렬 곱
- Linear layer
- GPU 사용하기
[Wikidocs] PyTorch로 시작하는 딥 러닝 입문
-
텐서 조작하기
- Numpy와 PyTorch로 텐서 만들기
-
선형 회귀 (Linear Regression)
- 선형 회귀 구현하기
- 다중 선형 회귀 구현하기
- nn.Module로 구현하는 선형 회귀
- 클래스로 선형 회귀 파이토치 모델 구현하기
- 미니 배치와 데이터 로드
- 커스텀 데이터셋
-
로지스틱 회귀 (Logistic Regression)
- 로지스틱 회귀 구현하기
- nn.Module로 구현하는 로지스틱 회귀
- 클래스로 로지스틱 회귀 파이토치 모델 구현하기
-
소프트맥스 회귀 (Softmax Regression)
- 소프트맥스 회귀 구현하기
- nn.Module로 구현하는 소프트맥스 회귀
- 소프트맥스 회귀로 MNIST 데이터 분류하기
-
인공 신경망 (Aritificial Neural Network)
- 퍼셉트론
- XOR GATE 단층/다층 퍼셉트론으로 구현하기
- 다층 퍼셉트론으로 손글씨 분류
-
합성곱 신경망 (CNN)
- CNN으로 MNIST 분류하기
- 깊은 CNN으로 MNIST 분류하기
-
자연어 처리의 전처리
- 자연어 전처리
- 토큰화 (Tokenization)
- spaCy
- NLTK
- 형태소 토큰화
- 단어 집합 (Vacabulary)
- 각 단어에 고유 정수 부여
- 토큰화 (Tokenization)
- 토치 텍스트 (Torchtext)
- English version
- Korean version
- 자연어 전처리
-
단어의 표현 방법
- NLP의 원-핫 인코딩
- 워드 임베딩
- 워드 투 벡터
-
순환 신경망 (RNN)
- 문자 단위 RNN (Char RNN)
- 문자 단위 RNN (Char RNN) - 더 많은 데이터
- 문자 단위 RNN - 임베딩 사용
Dependency
python 3.X
How to use
python <Specific_File>.py
About Me
🙋🏻♂️ Name: 837477
Contributing
- Fork this repository
- Create your feature branch (
git checkout -b feature/fooBar
) - Commit your changes (
git commit -m 'Add some fooBar'
) - Push to the branch (
git push origin feature/fooBar
) - Create a new Pull Request