Louie NRT Story

올리버쌤 !. 상황 - 약속 잡는데 친구의 시간에 약속을 잡을 때 - What time works best you? !. 상황 - 사는 지역에 대해 말할 때 - I live in seoul 여기가 나의 홈이다. - I living in seoul 여기가 임시 거처이다. !. 상황 - 먹는 거 좋아한다고 말 할때 - I like eating 이라고 하면 먹는거 싫어하는 사람도 있나? 라고 생각함 - I am a foodie 라고 해야 맞는 표현임 !. 상황 - 친구가 기분이 엄청 않좋아 보임 - What's your problem? 이라고 말하면 너는 문제 있는 사람이야? 라고 묻는 느낌 - What's the matter?, What's wrong? 이라고 해야함 !. 상황 - 여기가 좋다고 말 할때 -..

날라리 데이브 !. 완전 상태 똥이다.( 어제 완전 술 많이 먹었음) - I am looking like a mess !. 나 완전 공감함 - I gotta admit !. 그래서 어떻게 됐어? - 다음날 생각해보고 알려준다고 해놓고, 오늘 다시 물어본 거임 - What's the verdict !. 상황 - 근육을 키우러 운동하러 갈꺼임 - I'm gonna go out, trying to get swole - swole = 근육 이라는 영어 슬랭임 !. 상황 - 운동을 짧은 시간에 엄청 많이 함 - Although that only about 30 minutes, that was pretty LEGIT work out. - legit = 제대로 된 영어 슬랭 !. 상황 - 친구가 파티에 왔어야 했는데..

올리버쌤한테 배운 내용!. 상황 - 예의 차리면서 앉으세요 할때 - 나는 그냥 Sit down Please 하면 될 줄 알았는데 아님 - 이 표현은 강아지 한테 하는 명령조? 느낌이라고 함 - Please, Have a Seat 이 맞는 표현임 !. 상황 - 항상 가정문으로 문장을 만드는 것 - If I drink some coffee, I would not be able to sleep tonight. - 굳이 가정법을 쓸 이유가 없음 - Coffee keeps me awake night 과 같이 물건을 주어로 쓰면 됨 - Butter makes me fat. !. 상항 - 그얘 정말 공부 잘한다고 말해주고 싶음 - She's really good at studying 이란 표현은 맞지 않음 - be ..

!. 이전의 연산이 다음 연산에 영향을 미침!. 이전의 값을 더해서 계속 학습을함으로 다음을 나올 값에 영향을 미침!. 위의 내용을 Vanilla RNN 이라고 함 - h를 넣으면 다음은 e 다음은 l, l, o 라고 나올 것을 예측함 - 김성 교수 라고 치면 Youtube 강의가 나오는 것과 같은 것임 !. RNN이 깊어지면 학습이 어려워지기에 더욱 업그레이드 한것이 LSTM, GRU 임. !. Youtube를 통해 Stock을 LSTM을 통하여 예측하는 것을 보아야함

!. 이미지 같은 하나의 Input을 여러개로 나누어 Convolution 함 - Weight을 통해 계산 후 Relu를 적용함으로 값이 나옴 - 그 뒤로 Pooling을 통하여 사이즈를 작게 만들어짐 !. 같은 필터(w)를 통하여 하나의 값으로 읽어들임 - 5x5x3 의 값 일 경우 모든 이미지의 Convolution한 데이터에 같은 Filter를 적용함!. Stride: 값이 1일 경우 한칸씩 옆으로 이동함, 값이 2 일 경우 두깐씩 옆으로 이동함 - Output_size = (N - F) / stride + 1!. 계속 반복함으로 점점 Output이 작아짐!. Padding: Output이 작아짐으로 데이터의 점보가 점점 줄어들기 때문임!. Convolution을 할 떄 Filter의 개수를 몇번하..

(ShinTakahashi, Iroha Inoue)Ch01 회귀분석1. 종속변수와 독립변수 - y = ax + b 일 경우 y는 종속변수, x는 독립 변수라고 함 - a는 회귀계수라고 함 Step01: 독립변수와 종속변수의 상관계수 확인(±1 에 가까울 수록 좋음) - Scatter Graph를 통하여 보여짐 Step02: 회귀식 구함 - 최소제곱법을 통하여 회귀식을 구함 - y = ax + b 𝑎=𝑆_𝑥𝑦/𝑆_𝑥𝑥 = x와 y의 편차의 곱의 합 / x의 편차의 제곱의 합 b = 𝑦 ̅ −𝑥 ̅a Step03: 회귀식 정도 확인 - 중상관계수 𝑅=𝑆_(𝑦(𝑦 ) ̂ )/ √(𝑆_𝑦𝑦× 𝑆_(𝑦 ̂𝑦 ̂ )) = y와 𝑦 ̂의 편차의 곱의 합 / √(y의 편차의 제곱의 합 × 𝑦 ̂의 편차의 제곱의 합) ..

(안명호, 류미현 지음)1장 머신러닝 1) 머신러닝은 회귀, 분류, 군집화 3가지 종류의 문제를 해결함 - 회귀(선형회귀, SGD(Stochastic Gradient Descent Regression)회귀, SVR(Support Vector Regression)회귀, Random Forest Regression, Bayesian Regression, Isotonic Regression, Bayesian Automatic Relevance Determination Regression). - 분류(Logistic Regression, Support Vector Machine, Random Forest, Decision Tree, Gradient Boosting Tree, SGD(Stochastic Gradi..

개요 - 파이썬이 설치되어 있지 않은 컴퓨터에도 배포해야 하는 경우 생김 - 파이썬 실행파일로 만들어주는 모듈 cx_freeze 모듈 사용 - 기존 py2exe 모듈이 유명하지만 파이썬 3.x 버전 부터는 지원하지 않음 환경 - python -m pip install cx_freeze 모듈 설치 방법 - setup.py 파일 만들기(parser.py 파일 빌드함)import sysfrom cx_Freeze import setup, Executable setup( name = "parser", version = "1.0", description = "Parser", author = "sh1n2", executables = [Executable("parser.py")]) - 'cmd'에서 같은 폴더에 넣고 ..