ai

시작하기 전에핑계입니다.사실 군복학을 사유로 10월달 초 부터 수업에 참여하게 되어서 거의 독학으로 공부하고 과제를 진행한 것 같다.그렇기에 부족하고 잘못된 내용이 적지 않을것 같은데,, 많은 피드백 부탁드립니다.내가 생각하는 강화학습이란환경을 input으로 받고 task와 환경에 맞는 행동 정책을 학습한 에이전트를 output으로 반환하는 구조라고 생각한다.이런 환경에 맞는 행동을 학습하는 과정은 보상이 중요하다, 결국 에이전트는 보상을 통해서 환경을 학습하는 것이다.즉 강화학습을 설계하는 과정은 환경과 task에 맞는 행동 정책(가치 함수), 보상을 설계하는 과정이라고 생각했다.중간고사 과제(미로찾기, 그리고 3가지의 열쇠와 문을 곁들인)환경 설명https://docs.google.com/docume..

개요Metrics는 평가 지표를 의미함qwk→ quadratic weighted kappa단순 정확도 점수로는 의미가 없는 경우에 사용두 평점의 동의도(agreement)를 측정함 동의도는 실제 평점과 예측 평점이 얼마나 가까운 지로 정의할 수 있다. 평가-1~1의 범위를 가진다1에 가까울 수록 좋은 예측0 미만은 무작위 예측 보다 성능이 떨어진다.동의도(agreement)가 높을수록 1에 가까워지고, 동의도가 낮으면 0에 가까워진다.예시y_true = [1,2,3,1,2,3,1,2,3]y_pred = [2,1,3,1,2,3,3,1,2]metrics.cohen_kappa_score(y_true, y_pred, weights='quadratic'), metrics.accuracy_score(y_true, ..

개요optimization - 손실 함수의 값을 최소화하는 것이 목표로 최적화한다.otpimizer - 이를 수행하는 알고리즘, 즉 최적화 알고리즘완벽한 이해에 수학적 지식이 필요함으로 추후 추가 학습이 필요함adam은 자주 쓰이는 otpimizer의 한 종 optimizer 종류기본적을 GD→ SGD, 이후 SGD에서 분화됨 ADAM가장 많이 쓰는 optimizerMomentum, RMSProp을 섞어 사용관성, 이전 학습률 고려bounded step size기울기의 지수평균기울기의 제곱값의 지수평균편향 문제를 해결하기 위해서 위 두 값에 보정이 들어  하이퍼 파라미터 보통 다른 값들은 위와 같이 고정하고 에타를 여러 값으로 시도하면서 최적의 값을 찾는다.   아담에 대한 추가적인 리뷰… 더 복잡해서 ..

분류 평가 지표 모델의 예측 ⇒ 1 예측 ⇒ 0 실제 상태 ⇒ 1 TP( [ 1, 1 ] ) = TRUE FN( [ 1, 0] ) =FALSE 실제 상태 ⇒ 0 FP( [ 0, 1 ] ) = FALSE TN( [ 0, 1] ) = TRUE 위 그림의 ‘정확도’가 일반적으로 생각하는 모델의 성능을 평가하는 방식이다.하고 전체 예측 중 성공 비율을 보여준다. 허나 다른 평가 방식으로 Precision, Recall이 있다. precision 모델의 예측 결과를 Positive, Negative로 나누었을 때 전체 Positive 중 정답 비율을 precision이라고 한다 Recall 모델이 Positive라고 예측해야 이상적인 전체 타겟 중 모델이 정확하게 Positive라고 맞춘 비율 두 평가 기준의 공..

이전 포스팅에서 볼 수 있는 군장병 교육에서 선물로 받은 책이다. 이 책의 내용에 대해서 차근차근 나름대로의 정리를 하며 포스팅할 예정이다. 일단은 전체적으로 노션으로 작성하고 적당히 복사해서 티스토리에도 업로드 할 것이다. (사실은 이 책을 1회독을 끝마치고 2회독을 하면서 본격적으로 기록하는 것이다.) 책에 대한 평가를 좀 남기자면, 인공지능에 대해서 무지하고, 두려움이 있어도 쉽게 읽을 수 있는 책이였다. 저자의 친절함이 느껴지고 나름 유치하지만 그런대로 좋은 스토리텔링도 나쁘지 않았다. 단순히 책의 코드만 따라갔기 때문에, 문제를 마주했을 때에는 스스로 어느정도의 솔루션을 만들어 제출할 수 있을지 모르겠다. 혼자서 예문에 따라 스스로 모델을 구축하는 훈련파트가 있었으면 좋았을꺼 같기도하다. 개인적..