본문 바로가기

전체 글

 (231)
[6기] 프로그래머스 인공지능 데브코스 55일차 TIL 1025 [10주차 - Day3] Deep Learning 기초 강의 및 실습 실습 전체 코드 올리면 안 되니까 일부분만 첨부import torch import torch.nn as nn from .utils import load_state_dict_from_url from typing import Union, List, Dict, Any, cast __all__ = [ 'VGG', 'vgg11', 'vgg11_bn', 'vgg13', 'vgg13_bn', 'vgg16', 'vgg16_bn', 'vgg19_bn', 'vgg19', ] model_urls = { 'vgg1..
[6기] 프로그래머스 인공지능 데브코스 54일차 TIL 1024 [10주차 - Day2] Deep Learning 기초 강의 및 실습 실습 전체 코드 올리면 안 되니까 일부분만 첨부from imageio import imread from PIL import Image kitten = imread('notebook_images/kitten.jpg') puppy = imread('notebook_images/puppy.jpg') # kitten is wide, and puppy is already square d = kitten.shape[1] - kitten.shape[0] kitten_cropped = kitten[:, d//2:-d//2, :] img_size = 200 # Make this smaller if it runs t..
[6기] 프로그래머스 인공지능 데브코스 53일차 TIL 1023 [9주차 - Day4] ML 기초 실습과제 2 규제화를 사용한 모델 학습 L2 regularization을 비용함수(compute_cost 내에)에 포함시키고 gradient 계산에(batch_gd 내에) 반영하세요. def compute_cost(X, T, W, lambd): epsilon = 1e-5 N = len(T) K = np.size(T, 1) cost = - (1/N) * np.ones((1,N)) @ (np.multiply(np.log(softmax(X, W) + epsilon), T)) @ np.ones((K,1)) + 1 / (2 * N) * lambd * np.sum(W ** 2) # L2 regularization으로 '1 / (2 * N) * lambd * np.sum(W..
[6기] 프로그래머스 인공지능 데브코스 52일차 TIL 1022 선형분류 복습 필기 하루에 다 끝내기
[6기] 프로그래머스 인공지능 데브코스 51일차 TIL 1021 확률이론 마지막 필기 드디어 기초는 끝난 필기 몇번째였는지도까먹었네
[6기] 프로그래머스 인공지능 데브코스 50일차 TIL 1020 확률이론 필기 끝나지않는필기 몇번째였는지도까먹었네
[6기] 프로그래머스 인공지능 데브코스 49일차 TIL 1019 [8주차 - Day3] ML_basics - 실습 최종 제출 코드 시행착오는 이후에 천천히 업로드import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline dataset = pd.read_csv("./delivery_raw.csv") df = dataset.copy() df.head(5) # 데이터프레임 확인해 본 결과 '\' 해당 문자로 나뉘어 한 줄에 다 출력됨 df = pd.read_csv("./delivery_raw.csv", delimiter='\t') df # 데이터 나눈 문자를 delimiter 인자로 처리해 주니 ..
[6기] 프로그래머스 인공지능 데브코스 48일차 TIL 1018 8주차 과제; 시간 예측 모델 여러 도전들 정리 마지막이라는 마음가짐으로... 주문이 생성된 시간(created_at)에서 주문자가 배달을 받은 시간(actual_delivery_time)을 뺀 값을 출력값으로 지정했는데, 뒤에 식당이 주문을 받을 때까지 걸릴 것으로 예상되는 시간(estimated_order_place_duration)과 식당에서 출발해 주문자에게 도착할 때까지 걸릴 것으로 예측되는 시간(estimated_store_to_consumer_driving_duration)을 보정하지 않고 입력값으로 그대로 쓰려고 했던 실수. 따라서 1. 주문자의 주문이 수락되는 시간, 2. 음식이 제조되는 시간, 3. 그 음식을 주문자에게까지 배달되는 시간을 전부 고려하여야 모델 성능이 올라갈 것..

티스토리툴바