1. 데이터 다운로드 1) 데이터 다운로드# Download training data from open datasets.train_dataset = datasets.MNIST(    root="data",    train=True,    download=True,    transform=ToTensor(),   # 픽셀값을 [0,1] 사이로 정규화하고 텐서로 변환)# Download test data from open datasets.test_dataset = datasets.MNIST(    root="data",    train=False,    download=True,    transform=ToTensor(),) - 데이터셋 일반 정보train_dataset, test_dataset- 데이터셋의..

★ 다중클래스 분류의 목적함수는 CrossEntropyLoss()★ 다중클래스 분류의 활성화함수는 Softmax() 지정할 필요없음★ 은닉층의 활성화함수는 ReLU()★ 다중클래스의 가변수화는 integer incoding  1. 데이터 준비 1) 데이터 준비 data.drop(target, axis=1): target은 없애고 특성수만 존재하도록data.loc[:,target]: target만 존재하도록target = 'Species'x = data.drop(target, axis = 1)y = data.loc[:, target]   2)  integer encoding - 다중클래스의 가변수화 - 다중 클래스 분류 모델링을 위해서는 y는 integer encoding을 먼저 수행해야됨- LabelEn..

이진분류 모델링은결과 값이 두 개 중에 하나로 분류된다는 것이다. ★ 이진분류 모델링 활성함수: 시그모이드 함수★ 이진분류 목적함수: BCE  1. 데이터 준비 1) 데이터 준비 x: 'Sex', 'Age', 'Fare' 라는 특성y: 'Survived' 라는 정답 레이블data.loc[:, features]data.loc[:, target]target = 'Survived'features = ['Sex', 'Age', 'Fare']x = data.loc[:, features]y = data.loc[:, target]  2) 가변수화성별은 범주값이니까 가변수화해줘야된다.pd.get_dummies(drop_first=True) # 성별만 범주화니까 가변수화 해줘야됨 'True'가 1 'False'가 0 수..

★ 딥러닝 회귀 모델링 준비: 환경준비 => 필요함수 생성 => 디바이스 준비 => 데이터 불러오기 => 데이터 준비 => 데이터 분할 => 데이터 스케일링 => 회귀 모델링 ★ 딥러닝 회귀 모델링 시작: 딥러닝을 위한 준비작업 => 모델 설계 =>목적함수, 옵티마이저 선언=>  모델 학습 => 모델 평가 => 모델 수정 => 모델 학습=> 모델평가 => 은닉층 추가 => 모델학습=> 모델평가  만족하면 그만~ 1. 환경준비 1) 라이브러리 Importtrain_test_split, Scaler, plt, pd, np, torch, DataLoader, TensorDataset, Adamimport pandas as pdimport numpy as npimport matplotlib.pyplot as p..

1. 텐서 다루기 torch 라이브러리 불러오기import torchimport numpy as npimport pandas as pd 1) 텐서 만들기torch.tensor(): 데이터 프레임은 제공되지않는다. 오류남# 리스트data = [[1, 2],[3, 4],[5, 6]]x_data = torch.tensor(data)x_data # 넘파이 어레이np_array = np.array(data)x_np = torch.tensor(np_array)x_np 2) 텐서의 속성 np.shape: 텐서의 형태np.dtype: 텐서의 타입np.device: 텐서의 디바이스print(x_np)print(f"Shape : {x_np.shape}")print(f"Datatype : {x_np.dtype}")print..

★ 딥러닝 모델링 준비 순서: 환경준비 => 필요한 함수 만들기 => 데이터 전처리 및 분할 => 스케일링 => 딥러닝 모델링이다.★ 딥러닝 모델링 시작 순서: 딥러닝을 위한 데이터 준비 => 모델 선언 => 목적함수(손실함수), 옵티마이저 선언 => 모델학습 => 모델 평가이다. 1. 딥러닝 모델링 준비  1) 환경 준비metrics, train_test_split, Scaler 그리고Pytorch, nn, Adam 등의 필요한 라이브러리를 Import 해준다.import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as snsfrom sklearn.model_selection import train_test_s..