NA의 잡 블로그

2021.09.08 수업 필기 1. Assocation Rule 이란? Study of "what goes with what?" 어떤 물건을 어떤 물건과 함께 살까? 동시 발생의 가능성이 큰 사건/규칙을 발견! 예) 물건 X를 산 고객은 물건 Y도 구매한다. = 'market basket analysis' 또는 'affinity anlaysis'라고 불린다 데이터의 형태 : transaction-based 또는 even-vased 예) 한 바구니에 든 여러 개의 상품들 장바구니 ID (Transaction) 구매 물품 ID (Items) 1 a,b,c 2 a,d 3 b,d ☞ '물건 A를 산 사람은 물건 B도 사더라'하는 규칙(Rules)을 발견하는 것이 목표! 2. Generating Rules [용어..

이 글은 책 「파이썬 머신러닝 완벽가이드」와 공돌이의 수학정리노트 깃허브 글을 바탕으로 작성되었습니다. GMM(Gaussian Mixture Model)란? 여러 개의 정규분포를 이루는 데이터가 합쳐진 집합(모집단)에서 데이터가 추출된 것(표본)이라는 가정하에 군집화를 수행하는 알고리즘 GMM에서의 모수 추정 : 1. 개별 정규 분포의 평균과 분산 2. 각 데이터가 어떤 정규 분포에 해당하는지의 확률 MLE(Maximum Likelihood Estimation, 최대우도법)이란? 1. MLE 정의 모수적(parametic)인 밀도 추정 방법으로 파라미터 \( \theta = (\theta_{1}, \cdots, \theta_{m}) \) 으로 구성된 어떤 확률 밀도함수 \( P(x| \theta) \) ..

이 글은 책 「파이썬 머신러닝 완벽가이드」와 다크프로그래머님의 블로그 글을 바탕으로 작성되었습니다. 평균 이동(Mean Shift)란? - KDE 기반으로 밀도가 가장 높은 지점으로 군집 중심점을 이동시켜 군집화를 수행하는 알고리즘 KDE(Kernel Density Estimation, 커널 밀도 추정)이란? 1. 밀도 추정 : 관측된 데이터(표본)의 분포를 통해 원래 변수(모집단)의 확률 밀도(분포)를 추정하는 것 기계 학습, 확률과 통계에서의 밀도 = 확률 밀도(probability density) 어떤 변수 x의 밀도(density)를 추정하는 것은 x의 확률 밀도 함수 (probability density function, pdf)를 추정하는 것과 같음 f(a)는 x=a에서의 확률 밀도 = "변수..

이 글은 책 「파이썬 머신러닝 완벽가이드」를 바탕으로 작성되었습니다. K-평균 (K-means)란? - 주변 데이터까지의 거리의 평균 지점으로 군집 중심점을 이동시켜 군집화를 수행하는 알고리즘 작동방식 1. 임의의 군집 중심점(centroid)를 설정하고 해당 지점에 가까운 데이터 포인트들을 선택 2. 선택된 데이터 포인트들의 거리 중심점으로 이동하고, 이동된 지점에서 가까운 데이터 포인트들을 선택, 다시 군집 중심점을 거리 평균 지점으로 이동 3. 더 이상 군집 중심점의 이동이 없으면 반복을 멈추고 해당 군집 중심점에 가까운 데이터 포인트들을 하나의 군집으로 라벨링 사이킷런 클래스 KMeans class sklearn.cluster.KMeans(n_clusters=8, *, init='k-means++..

군집화(Clustering)란? 비지도학습의 한 종류로, 비슷한 속성을 지닌 데이터끼리 하나의 군집(cluster)를 구성하도록 라벨링하는 것을 말한다. 동일한 군집 안에 존재하는 데이터들끼리의 차이는 최소화하고, 다른 군집에 존재하는 데이터와의 차이는 최대화하는 것을 목표로 한다. 군집화 알고리즘의 종류 거리 기반 알고리즘 1. K-평균 (K-means) - 주변 데이터까지의 거리의 평균 지점으로 군집 중심점을 이동시켜 군집화를 수행하는 알고리즘 - 알고리즘이 간결하고 직관적이기 때문에 가장 일반적으로 사용되는 군집화 알고리즘 - 몇개의 군집을 설정할지 결정하기 어려움 - 속성의 개수가 많을수록/차원이 올라갈수록 군집화 정확도가 떨어짐 (→ PCA 차원 축소 적용) - 원형 구조의 데이터 세트에는 효과..

0. homebrew 및 git 설치 https://brew.sh Homebrew The Missing Package Manager for macOS (or Linux). brew.sh 1) 맥북 intel 칩일 경우, /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)" 2) 맥북 m1 칩일 경우, /bin/bash -c "$(curl -fsSL https://gist.githubusercontent.com/nrubin29/bea5aa83e8dfa91370fe83b62dad6dfa/raw/48f48f7fef21abb308e129a80b3214c2538fc611/homebrew_m1.sh..

NAE가 자주 사용하는 것 위주로 Command Mode에서 : ESC 를 눌러 셀의 왼쪽 테두리가 파란색으로 바뀐 상태 a : 셀 위로 추가 (above) b : 셀 아래로 추가 (below) dd : 선택 셀 삭제 (delete) m : 마크다운으로 변경 (markdown) y : 코드 입력모드로 변경 s : 파일 저장 (save) c : 해당 셀 복사하기 (copy) x : 해당 셀 잘라내기 v : 복사/잘라낸 셀 아래에 붙여넣기 Edit Mode 에서 : Enter을 눌러 셀의 왼쪽 테두리가 초록색으로 바뀐 상태 Command + Enter : 셀 실행 Shift + Enter : 셀 실행하고 다음 셀로 넘어가기 Optional + Enter : 셀 실행하고 아래에 셀 추가하기 Ctrl + / :..

0. conda에서 가상환경 만드는 이유 여러 버전의 프로젝트를 진행하기 위해서 1. 가상환경 목록보기 conda env list 또는 conda info -envs 2. 가상환경 생성하기 conda create --name (가상환경 이름) python=(파이썬버전) conda create --name newenv python==3.8 3. 가상환경 삭제하기 conda env remove --name (가상환경 이름) conda env remove --name newenv 4. 가상환경 활성화 conda activate (가상환경 이름) conda activate newenv 5. 가상환경 비활성화 conda deactivate