일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | ||||||
2 | 3 | 4 | 5 | 6 | 7 | 8 |
9 | 10 | 11 | 12 | 13 | 14 | 15 |
16 | 17 | 18 | 19 | 20 | 21 | 22 |
23 | 24 | 25 | 26 | 27 | 28 |
- TEAM-EDA
- Machine Learning Advanced
- 나는리뷰어다
- eda
- Image Segmentation
- 추천시스템
- 큐
- 알고리즘
- 입문
- hackerrank
- 프로그래머스
- Object Detection
- Recsys-KR
- 튜토리얼
- Segmentation
- pytorch
- 스택
- TEAM EDA
- 한빛미디어
- 나는 리뷰어다
- 코딩테스트
- 파이썬
- Semantic Segmentation
- 3줄 논문
- MySQL
- 엘리스
- 협업필터링
- DilatedNet
- Python
- DFS
- Today
- Total
목록전체 글 보기 (287)
TEAM EDA
이번주 슬라이드: https://lagunita.stanford.edu/c4x/HumanitiesScience/StatLearning/asset/classification.pdf 교재 4.4 중 4.4.1, 4.4.2를 공부하시면 됩니다. (영문: 138~ 141, 국문: 159 ~ 164p) *Linear Discriminant Analysis and Bayes Theorem (7:12)-4.4.1*https://www.youtube.com/watch?v=RfrGiG1Hm3M&list=PL5-da3qGB5IC4vaDba5ClatUmFppXLAhE*Univariate Linear Discriminant Analysis (7:37)-4.4.2*https://www.youtube.com/watch?v=QG0..
이번주 슬라이드: https://lagunita.stanford.edu/c4x/HumanitiesScience/StatLearning/asset/classification.pdf 교재 4.3를 공부하시면 됩니다. (영문: 130 ~ 137p, 국문: 151 ~159p) 참고 동영상:*Logistic Regression and Maximum Likelihood (9:07)*https://www.youtube.com/watch?v=31Q5FGRnxt4&list=PL5-da3qGB5IC4vaDba5ClatUmFppXLAhE *Multivariate Logistic Regression and Confounding (9:53)*https://www.youtube.com/watch?v=MpX8rVv_u4E&list..
이번 2주차 공부 주제 : Ch4: Classification 이번주 슬라이드https://lagunita.stanford.edu/c4x/HumanitiesScience/StatLearning/asset/classification.pdf 교재 안내교재 4.1, 4.2를 공부하시면 됩니다. (영문: 127 ~ 130p, 국문: 147 ~151p) 참고 동영상 : Introduction to Classification (10:25)https://www.youtube.com/watch?v=sqq21-VIa1c&list=PL5-da3qGB5IC4vaDba5ClatUmFppXLAhE 3장 지난 선형회귀모델에서는 Y 반응변수를 quantitative하다고 가정했습니다. 한마디로 보통 우리가 생각하는 숫자형태의 데이..
리더님 정답파일
질문1) 유연한 통계학습방법과 덜 유연한 방법중 어느것이 일반적으로 성능이 더 나은지 말해보자. 내 답변) 질문의도를 정확히 모르겠는데, a)의 경우 설명변수의 수에 비해 표본의 크기가 크니 덜 유연한 방법을 사용해도 충분히 학습되서 성능이 좋을 것 같습니다. 반대로 b)의 경우 p가 n에 비해 클 경우 선형회귀 같은 통계적인 방법을 사용할 수 없고 비모수적 기법(k-nearest)도 성능이 좋지 않으니 유연한 방법을 써야할 것 같습니다. 질문2) 각 시나리오가 분류 혹은 회귀문제 인지 설명하고, 가장 관심 있는것이 추론인지 혹은 예측인지 명시해보자. n과 p 또한 생각해보자. 내 답변) A : 회귀문제 - 추론 / n=500개 p = 4 이익, 직원 수, 업종, CEO 연봉 / p에 비해 n이 많은 상..
Ch3-1. Linear Regression *슬라이드*Linear Regression *강의*Simple Linear Regression and Confidence Intervals (13:01)Hypothesis Testing (8:24) 지난시간에 이어 선형회귀분석을 계속하겠습니다. 선형회귀모델은 아래와 같이 결정됩니다. 그리고 우리는 이를 Supervised Learning(Y를 알고 있을 경우/ 만일 Supervised Learning을 처음들어보시면 Day1 : Introduction을 보고오시기 바랍니다.)이라고 하며, Y는 X와 선형이라고 가정합니다.(선형성가정) 하지만 아래의 빨간곡선처럼 실제로 X와 Y와의 관계가 선형인 경우는 거의 없습니다.그럼에도 불구하고 선형회귀분석은 개념적으로나 ..
*강의* Assessing Model Accuracy and Bias-Variance Trade-off (10:04)Classification Problems and K-Nearest Neighbors (15:37)Lab: Introduction to R (14:12) - optional *추가자료*bias and variance 지난번에 이어서 선형회귀에 대해 계속 보도록 하겠습니다. 기본적으로 선형회귀 모델은 아래와 같습니다. p+1개의 파라미터를 가지고 있고, Training 데이터에 의해서 파라미터들이 결정됩니다. 선형회귀 모델은 기본적으로 정확하지는 않지만 알려지지 않은 f(x)를 대략적으로 해석해볼 수 있다는것에 의의가 있습니다. 위의 두 사진만 봐도 이해 되듯이 단순한 선형회귀 모델보다는 q..
Ch2-1. Statistical Learning *슬라이드*https://lagunita.stanford.edu/c4x/HumanitiesScience/StatLearning/asset/statistical_learning.pdf *강의*Statistical Learning and Regression (11:41)https://www.youtube.com/watch?v=WjyuiK5taS8&list=PL5-da3qGB5IDvuFPNoSqheihPOQNJpzyy Curse of Dimensionality and Parametric Models (11:40)https://www.youtube.com/watch?v=UvxHOkYQl8g&list=PL5-da3qGB5IDvuFPNoSqheihPOQNJpzyy ..
Ch1. Introduction *슬라이드*https://lagunita.stanford.edu/c4x/HumanitiesScience/StatLearning/asset/introduction.pdf *강의*Opening Remarks and Examples (18:18)https://www.youtube.com/watch?v=2wLfFB_6SKI&list=PL5-da3qGB5ICcUhueCyu25slvsGp8IDTa Supervised and Unsupervised Learning (12:12)https://www.youtube.com/watch?v=LvaTokhYnDw&list=PL5-da3qGB5ICcUhueCyu25slvsGp8IDTa 슬라이드 요약 Statistical Learning Probl..
Note : edwith의 조경현 교수님의 딥러닝을 이용한 자연어 처리를 보고 필가한 자료입니다. 선행학습 자료 https://github.com/nyu-dl/Intro_to_ML_Lecture_Note/blob/master/lecture_note.pdfIntroduction to Machine Learning: Chapters 1-2 를 학습합니다. https://github.com/nyu-dl/NLP_DL_Lecture_Note/blob/master/lecture_note.pdfDeep Learning for NLP: Chapters 2-4 를 학습합니다. http://videolectures.net/deeplearning2016_cho_language_understanding/Deep Natural..