개발차
![[Google Study JAM] Google Cloud Speech API: Qwik Start](https://img1.daumcdn.net/thumb/R750x0/?scode=mtistory2&fname=https%3A%2F%2Ft1.daumcdn.net%2Fcfile%2Ftistory%2F998F003C5C61710A22)
[Google Study JAM] Google Cloud Speech API: Qwik Start
첫 강의의 이름은 Google Cloud Speech API: Qwik Start 거창한 이름이다. Google이 제공하는 음성인식 기술 API를 이용하는 경험을 했다. 처음 접해보는 분야이고, GCP나 nano, vim등을 처음 봐서 감을 잡는데 매우 난처했다. API를 생성하고, Speech API를 이용해서 요청 메시지를 작성, 전송하는 크게 3가지의 과정으로 이루어져있다. 부여받은 API를 환경변수로 설정해준다. ( API KEY는 가림 ) 그리고 touch를 통해 " request.json " 이라는 파일을 만들어준다. ( 내용 X ) 그 후, 편집기를 통해 request,json파일을 수정해 준다. ( nano를 사용해 편집했다. ) 저장을 완료하고 편집기를 나오면 된다. 그리고 curl 명령..
[KOCW 선형대수] 2강. 1차 연립방정식과 가우스소거법
2강. 1차 연립방정식과 가우스소거법1.1 Introduction : How to solve linear equations with n unknowns?(1) : Elimination{x+2y=34x+5y=6(4x+5y=6)−4∗(x+2y=3)=>−3y=−6=>y=2,x=−1 (2) : Determinantsy=[1436][1425]=2 x=[3625][1425]=−1보통은 Elimination method가 Determinants 보다 자주 사용된다!1.2 Geometry of Linear Equations도형의 특성을 이용한 것 Lines(선) ( 2 unknowns ), planes(평면) ( 3 or more unknowns ){2x−y=1x+y=5(1) row equations : 교점 찾기2개..
[KOCW 선형대수] 1강. 선형성 정의 및 1차 연립 방정의 의미
1강. 선형성 정의 및 1차 연립 방정의 의미Linearity : 선형성 존재해야 행렬로 표현 가능하다!Superposition ( 중첩의 원리 ) Homogenirety 위 두 가지를 만족해야 Linearityf(x1+x2)=f(x1)+f(x2) -> 중첩해서 더할 수 있다.f(ax)=af(x) -> Homogeniety 만족 ( a는 상수 )즉, f(a1x1+a2x2)=a1f(x1)+a2f(x2)y=mx=f(x)m(a1x1+a2x2)=a1mx1+a2mx2=a1f(x1)+a2f(x2)"반드시 원점"을 지나야함 ( LInearity의 조건 )y=mx+n(n≠0) m(a1x1+a2x2)+n≠a1(mx1+n)+a2(mx2+n)값 자체가 x ~ y 선형성이 없다. ∆x, ∆y 변화량간의 선형성은 존재한다.op..
[KOCW 선형대수] 계획
https://www.youtube.com/playlist?list=PLSN_PltQeOyjDGSghAf92VhdMBeaLZWR3 위의 KOCW 선형대수 강의를 듣고 강의정리를 하며 이해할 것이다. 총 23강으로 계획은 3월 내에 완강하기. 부족한 부분은 책 구매해서 보충하기.( 선형대수와 군 or 프로그래머를 위한 선형대수 )
![[핸즈온 머신러닝] 제 3장 정리](https://img1.daumcdn.net/thumb/R750x0/?scode=mtistory2&fname=https%3A%2F%2Ft1.daumcdn.net%2Fcfile%2Ftistory%2F9928803F5C5478CD34)
[핸즈온 머신러닝] 제 3장 정리
3장에서는 MNIST Data를 이용한 분류를 보여주고 있다. 70,000개의 이미지이고 각각의 이미지는 784개의 특성을 가지고 있다.(28x28) Train / Test Split ( 데이터셋 섞어서 ) 모델 훈련 성능 측정 ( 교차검증 / GridSearch ) 정확도만으로는 분류기의 성능 측정 부족 ( 특히 불균형데이터 ) 4. 에러 분석 5. 성능 개선 Keyword 확률적 경사 하강법 ( Stochastic Gradient Descent, SGD ) : 큰 데이터셋을 효율적으로 처리하는 장점이 있다. SGD가 한 번에 하나씩 훈력 샘플을 독립적으로 처리하기 때문 ( 온라인 학습에 잘 맞음 ) 오차 행렬( Confusion Matrix ) : 기본적인 아이디어는 클래스 A의 샘플이 클래스 B로 ..
![[핸즈온 머신러닝] 제 2장 응용](https://img1.daumcdn.net/thumb/R750x0/?scode=mtistory2&fname=https%3A%2F%2Ft1.daumcdn.net%2Fcfile%2Ftistory%2F99B5F0415C4D28FB1B)
[핸즈온 머신러닝] 제 2장 응용
https://www.kaggle.com/vishalyo990/prediction-of-quality-of-wine 위의 Kaggle data를 이용하고 위의 코드를 이용하여 실행해보았다. 결론적으로는 품질 예측에 대해 rfc가 Cross-Validation을 거치고 가장 높은 정확도를 보였다.