Machine Learning zero to hero- 정리본

아Part1: Intro to ML

 컴퓨터가 사람처럼 가위바위보를 인식하기 위해서는 수많은 코드가 필요하다. Answers, Data가 머신러닝을 통해 알 수 있다. 

 

model = keras.Sequential([keras.layers.Dense(units=1, imput_shape=[1])])
// model을 define함, layer에 1개의 unit과 1의 value를 지님 

model.compile(optimizer='sgd', loss='mean_squared_error')
// 함수가 두 개임 optimizer(또 다른 추측)과 loss(오차)

xs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype = float)
ys = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype = float)

model.fit(xs, ys, epochs=500) 
// xs를 ys에 대입하여 500번 반복하여 실행함

print(model.predict([10.0]))
// x가 10.0일 때 y를 predict한다.

---

Part2: Basic Computer vision with ML

70k Images, 10 categoreis, Image are 28x28, Can train a neural net

import tensorflow as tf
from tensorflow import keras

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
// labels 09 = ankle boot

model = keras.Sequential([

	keras.layers.Flatter(input_shape = (28,28)), // 이미지의 크기, 입력값
    keras.layers.Dense(128, activation = tf.nn.relu), // 128개의 함수 
    keras.layers.Dense(10, activation = tf.nn.softmax) // 데이터 세트에 표시된 의류의 개수 10
    ]) // activation 함수
    
model.compile(optimizer = tf.train.AdamOptimizer(),
			loss='sparse_categorical_crossentropy')

Neural Network는 필터로 동작한다.

relu는 0 이하는 그냥 거른다. 

Activation함수 중에서 softmax 함수는 한 세트에서 가장 큰 숫자를 골라낸다. 해당항목을 1로 설정하고 나머지는 0으로 처리한다. 

 

모델이 얼마나 작업을 잘 수행하는지 테스트 하는 작업이다. 

 

model.fit(train_images, train_labels, epochs=5)

test_loss, test_acc = model.evaluate(test_images, test_labels)

predictions = model.predict(my_images)

새로운 이미지를 위한 예측을 받는다. 

단점, 지금까지는 gray scale 이미지, 항상 이미지가 중심이 되어야하는 단점을 지닌다. 

Numeric Labeling의 단점:

 -  subject centered 되어 있을 때 만 가능하다. 

---

Part3: Introducing convolutional neural networks

위의 단점을 해결하기 위한 개선 방법으로 CNN을 사용한다. 

Filter the images before training the deep neural network.