1. 데이터에 따른 변수 - 원시형 : 일반 매장에서 판매하는 신발 (미리 정해진 크기로 변수를 만들어놓는것 / 시간 절약) - 참조형 : 맞춤 신발 (원하는 크기로 변수를 만들어놓는것 / 공 절약) 변수 종류 2. 예약어 (변수이름으로 사용 불).pri 3. 형변환 1) 묵시적 변환 2) 명시적 변환 ✔️강제 형변환이라고 불리며, 데이터가 손실될 가능성이 있으니, 미리 변환하여 형태를 맞추고 옮겨담아라 형변환 시 주의 사항 차지하는 byte가 높다고 더 큰것이 아니다. ✔️실수는 어떠한 경우에도 정수보다 크다 문자 변수 생성 아스키 코드 값을 알면 숫자로도 지정 가능 char를 설정할 때는 싱글 쿼트 String를 설정할 때는 더블 쿼트 이스케이프 문자 input태그 같은 것 - Scanner impo..

이미지 정보 알아보기 1. 가로 * 세로 = img.shape로 확인 가능 import cv2 img_gray= cv2.imread('./dog.bmp',cv2.IMREAD_GRAYSCALE) print('img1 type : ', type(img_gray)) print('img1 shape : ', img_gray.shape) #img1 shape : (364, 548) (h,w)순서 print('img1 dtype : ', type(img_gray.dtype)) #uint8 print('=====================================') img_bgr= cv2.imread('./dog.bmp') print('img_bgr type : ', type(img_bgr)) print('i..

✔️ Huggingface * 머신 러닝을 사용하여 애플리케이션을 구축하기 위한 도구를 개발하는 회사 * 자연어 처리 애플리케이션용으로 구축된 Transformers 라이브러리와 사용자가 기계 학습 모델 및 데이터셋을 공유할 수 있는 플랫폼으로 유명 * 허깅페이스에 모델들은 기본적으로 PretrainedModel 클래스를 상속 받고 있다. Huggingface 사용해보기 !pip install transformers from transformers import AutoModel, AutoTokenizer, BertTokenizer AutoModel 모듈 : 모델에 관한 정보를 처음부터 명시하지 않아도 자동으로 설정해주는 라이브러리 AutoTokenizer 모듈: 토큰화를 시켜주는 모듈 BertTokeni..

✔️자연어 * 프로그래밍언어와 같이 인공적으로 만든 기계 언어와 대비되는 단어로, 우리가 일상에서 주로 사용하는 언어 ✔️자연어 처리란? * 컴퓨터가 한국어나 영어와 같은 인간의 자연어를 읽고, 이해할 수 있도록 돕는 인공지능의 한 분야 * 자연어에서 의미 있는 정보를 추출하여 활용 * 기계가 자연어의 의미를 이해하게 함 * 기계가 사람의 언어로 소통할 수 있게 하는 것이 목표 ✔️ 활용분야 * 문서 분류, 스팸 처리와 같은 분류 * 문제부터 검색어 추천과 같은 추천 기능, 음성 인식, 질의 응답, 번역 등의 다양한 분야에서 사용 자연어 처리 용어 1. 자연어이해(NLU) * 자연어처리의 하위 집합 * 기계가 다양한 텍스트의 숨겨진 의미를 해석하려면 사전 처리 작업들과 추가 학습이 필요 * 텍스트에 명시..

✔️ CNN(Convolutional Neural Networks) - 합성곱 뉴런 신경망 - 형태: 전통적인 뉴럴 네트워크 + 컨볼루셔널 레이어 - 컨볼루셔널 레이어를 통해 입력받은 이미지의 특징을 추출 -> 추출한 특징을 기반으로 기존 뉴럴 네트워크 이용 - 이미지 분류 / 예측에 많이 사용 특징) * 특히 이미지를 분류할 때 DNN(Deep Neural Network)의 문제점을 가지고 있다. * 일반적인 DNN은 1차원 형태의 데이터를 사용 * 2차원 이상의 데이터가 입력되는 경우는 flatten 시켜서 한줄로 데이터를 변환 후 넣어야함. * 이미지의 공간적/지역적 정보가 손실된다. * 따라서 DNN의 문제점을 해결하기 위해 이미지를 그대로 (Raw Input) 받음으로 공간적 / 지역적 정보를 ..

1. 기초설정 #데이터 설정 x_train = torch.FloatTensor([[73,80,75], [93,88,93], [89,91,90], [96,98,100], [73,66,70]]) y_train = torch.FloatTensor([[152],[185],[180],[196],[142]]) print(x_train) print(x_train.shape) print('------------------') print(y_train) print(y_train.shape) 2. 모델 설정 model = nn.Linear(3,1) # 3개가 들어가서 1개가 나온다 print(model) print(list(model.parameters())) 3. 학습하기 optimizer = optim.SGD(mode..