Imagination is more important than knowledge (지식보다 상상)
Posts
97 posts가장 쉬운 드랍아웃 [Keras]
가장 쉬운 드랍아웃 [Keras] 딥러닝에서 과적합(overfitting)을 피할 수 있는 방법으로서 드랍아웃 방법이 아주 유명하다. https://en.wikipedia.org/wiki/Dropout_(neural_networks)https://en.wikipedia.org/wiki/Regularization_(mathematics)https://machinelearningmastery.com/dropout-regularization-deep-learning-models-keras/https://machinelearningmastery.com/how-to-reduce-overfitting-with-dropout-regularization-in-keras/http://incredible.egloos.com
가장 쉬운 eps 파일 편집하기
가장 쉬운 eps 파일 편집하기 벡터형 자료로서 eps는 엄청난 성공을 거두운 양식이다.eps 파일이 있을 때, 수정하고 싶다. 최종본은 eps가 되어야 한다고 가정하자. eps 파일 편집 과정: eps --> eps eps 파일을 벡터 양식중 하나인 emf 형식으로 변환 한다. 인터넷 온라인 서비스 형식으로 이 변환을 수행할 수 있다. 변환된 파일은 벡터 양식이다. ppt에서 이 파일을 불러 들인다. 그룹해체 후 편집 (ppt 기능으로 수정, 첨가, 삭제 할 수 있다.) 최종본을 ppt 가 가지고 있는 기능으로 저장한다. 이 때, pdf 형식으로 저장한다. acrobat 으로 pdf 파일 열고, acrobat-->파일--> 기타 옵션에서 최종본은 eps 형식으로
가장 쉬운 LightGBM 모델 [분류, 회귀]
가장 쉬운 LightGBM 모델 [분류, 회귀]https://lightgbm.readthedocs.io/en/latest/https://github.com/microsoft/LightGBMhttps://www.programcreek.com/python/example/88792/lightgbm.Dataset --------------------------------------------------------------------------------------------------------------------- import lightgbm as lgb from bayes_opt import BayesianOptimization from sklearn.model_selection import cr
가장 쉬운 베이지안 옵티마이제이션 [Python]
가장 쉬운 베이지안 옵티마이제이션http://incredible.egloos.com/7461939 매우 복잡한 문제에 적용할 수 있는 아주 일반적인 최적화 알고리듬은 아니지만, 적당한 크기의 문제에 대해서 좋은 최적화 방법이라고 볼 수 있다. 특히, 기계학습의 경우, hyperparameter 최적화에 활용되고 있다. 특히 이 문제의 크기와 베이지안 옵티마이제이션는 궁합이 잘 맞는 경우라고 볼 수 있다.목적함수 계산을 너무 많이 할 수 없을 경우에 적절한 방법으로 알려져 있다. --------------------------------------------------------------------------------------------------------------------- from baye
가장 쉬운 XGBoost 모델 [분류, 회귀]
가장 쉬운 XGBoost 모델 [분류, 회귀]Keras를 활용한 딥러닝 문제를 풀 경우: # First XGBoost model for Pima Indians dataset from numpy import loadtxt from xgboost import XGBClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_scorefrom matplotlib import pyplot # load data dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",") # split data into X and y
