Feature Engineering AutoEncoder를 이용한 Image Feature Engineering, 그리고 Clustering 육안으로도 쉽게 feature cluster 결과를 보고 평가할 수 있어야하기에 MNIST_Fashion 데이터셋을 실험 이미지 데이터셋(train:60000개, test and valid:10000개)으로 선정(숫자 데이터의 경우, 단순하게 곡선과 직선 여부만 Feature가 나올 것으로 예상되어 선정 X)하였고, 다음과 같은 학습 결과를 얻어낼 수 있었습니다. 얻은 feature를 KMe... machine learningAutoEncoderDeep LearningFeature EngineeringAutoEncoder [ML] data Wrangling 데이터 랭글링은 raw data를 쉽고 효율적으로 가공하고 분석할 수 있도록 변환하는 과정이다. Discovery : EDA 단계 Structure : raw data를 mapping하는 단계 Enriching : 추가로 필요한 data를 보강하는 단계 Publishing : data를 활용할 수 있도록 Publishing하는 단계 여러개로 흩어져 있는 table을 merge하기 전에 어떤 ... 머신러닝wranglingFeature EngineeringFeature Engineering
AutoEncoder를 이용한 Image Feature Engineering, 그리고 Clustering 육안으로도 쉽게 feature cluster 결과를 보고 평가할 수 있어야하기에 MNIST_Fashion 데이터셋을 실험 이미지 데이터셋(train:60000개, test and valid:10000개)으로 선정(숫자 데이터의 경우, 단순하게 곡선과 직선 여부만 Feature가 나올 것으로 예상되어 선정 X)하였고, 다음과 같은 학습 결과를 얻어낼 수 있었습니다. 얻은 feature를 KMe... machine learningAutoEncoderDeep LearningFeature EngineeringAutoEncoder [ML] data Wrangling 데이터 랭글링은 raw data를 쉽고 효율적으로 가공하고 분석할 수 있도록 변환하는 과정이다. Discovery : EDA 단계 Structure : raw data를 mapping하는 단계 Enriching : 추가로 필요한 data를 보강하는 단계 Publishing : data를 활용할 수 있도록 Publishing하는 단계 여러개로 흩어져 있는 table을 merge하기 전에 어떤 ... 머신러닝wranglingFeature EngineeringFeature Engineering