오늘 할 일
모각코
udemy - 리액트 강의 섹션 2까지
coursera - linear regression with one variable
경찰 사격 데이터셋 실습
영어 공부 계획 세우기
영상처리 계획 세우기
내일 할 일
바텀업 회의
udemy - 리액트 강의 섹션 4까지
coursera - algebra review
coursera - linear regression with one variable 해석
자전거 수요 예측 데이터셋 분석 / 실습
교수님들 연구실 알아보기
----------------------------------------------------------------
https://www.coursera.org/learn/machine-learning/home/week/1
교사 방식 : 정확(모호한 게 아닌)한 답을 준다.
데이터셋을 가지고 어떻게 학습시킬지 결정
m = 학점 예제의 수
x = "입력"변수 / 특징(피쳐)
y = "출력"변수 / 목표변수를 특징할 때 사용
(x, y) = 학습 예제를 표시
(x(i),y(y)) = i번째 학습예제
h(hypothesis) : 가설. x에 값으로 받고 결과값 y를 도출하는 과정. 학습지도.
h(x) = θ0 + θ1x
x의 선형함수인 y를 예측하는 것
선형함수를 이용하는 이유? 간단하기 때문에. 복잡한 모형들을 복잡한 학습
알고리즘으로 보냄. 선형회귀
비용함수 : 주어진 데이터에 가장 가까운 일차함수 그래프를 찾아낼 수 있다.
h(x)에서 θ0과 θ1x는 함수의 파라미터를 나타낸다.
그렇담 여기서 θ0과 θ1를 어떻게 고를 것인가?
J(θ0,θ1)오차요인의 제곱함수.
가설 값인 h(x)가 훈련예제(x, y)에서 y와 근접하도록, θ0과 θ1을 선택하라.
# : 훈련 예시들의 수의 약어
1/2m하는 건, 값을 더 잘 보여주려고
θ0, θ1를 최소화 하는건, θ0, θ1를 찾는 것.
목적함수
-> 평균값인 1/2m값에 훈련집합에 대한 내 예측과, 최소화된 훈련집합에서 실제 집들의 값의 차의
합계의 제곱을 곱한 값으로 접근.