딥러닝

Deep Learning_딥러닝을 활용한 분류 예측

데이터 전처리 과정이 필요하다. 모델 설계: 드랍아웃 활용 완전 연결 레이어 4개층으로 구성되는 신경망 모델을 구성한다. 과대적합을 방지하기 위해 드랍아웃 레이어를 추가해준다. 드랍아웃은 입력 레이어와 은닉 레이어 간의 연결 중 일부를 랜덤으로 제거한 상태에서 학습하는 기법이다.

Deep Learning_딥러닝을 활용한 회귀 분석

MLP 모델 아키텍처 정의 완전 연결 레이어만 사용하여 5개 레이어를 갖는 다층 신경망(MLP)를 만든다. 레이어를 추가할 때는 add 함수를 사용한다. 목표 레이블이 한 개인 회귀 문제이기 때문에 마지막 출력 레잉는 1개의 유닛을 갖고 선형 함수를 활성화 함수로 설정한다. 은닉 레이어의 활성화 함수로는 ReLu 함수를 많이 사용한다. 미니 배치 학습 모델을 훈련시킬 때 샘플 데이터를 한 개씩 입력해서 가중치를 갱신하려면 학습 시간이 오래 걸리는 문제가 있다. 미니 배치 학습은 전체 데이터를 여러 개의 작은 배치 단위로 나누고 배치에 들어 있는 샘플 데이터를 묶어서 모델에 입력한다. 경사하강법을 적용하고 손실 함수로 최소화하는 방향으로 가중치를 update한다. 학습 데이터 일부를 검증 데이터를 사용하여..