* 딥러닝 실행 전 준비사항

1) 미지의 일을 예측하는 원리

• 머신러닝 : 데이터들 속에서 규칙을 찾아내고 새로운 데이터에 적용해 새로운 결괏값 도출 ➡️ 기존 데이터를 활용해 아직 일어나지 않은 일들을 예측
• 학습(Learning) : 데이터가 입력되고 패턴이 분석되는 과정
• 예측 성공률 : 얼마나 정확하게 경계선을 긋는지에 달려있음

* 딥러닝 개괄

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
# 딥러닝 구동하는데 필요한 케라스 함수 호출

import numpy as np
import tensorflow as tf
# 필요한 라이브러리 불러오기

np.random.seed(3)
tf.random.set_seed(3)
#실행할때마다 같은 결과 출력

Data_set = np.loadtxt('...', delimiter=',')
# 준비된 데이터 불러오기

X = Data_set[:, 0:17]
Y = Data_set[:,17]
# 학습데이터와 결과 데이터로 나눔

model = Sequential()
model.add(Dense(30, input_dim=17, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
#딥러닝 모델 구조 결정 및 생성

model.compile(loss = 'mean_squared_error', optimizer='adam', metrics=['accuarcy'])
model.fit(X, Y, epochs=100, batch_size=10)
# 딥러닝 실행

• loss : 실패할 확률
• accuarcy : 성공할 확률

1) 데이터 분석과 입력

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
# 딥러닝 구동하는데 필요한 케라스 함수 호출

import numpy as np
import tensorflow as tf
# 필요한 라이브러리 불러오기

np.random.seed(3)
tf.random.set_seed(3)
#실행할때마다 같은 결과 출력

Data_set = np.loadtxt('...', delimiter=',')
# 준비된 데이터 불러오기

X = Data_set[:, 0:17]
Y = Data_set[:,17]
# 학습데이터와 결과 데이터로 나눔

• Data_set
  • [0:17] : 속성(attribute) ➡️ 분석할 데이터
  • [17] : 클래스(class) ➡️ 데이터 정답값
    

2) 딥러닝 실행

model = Sequential()
model.add(Dense(30, input_dim=17, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
#딥러닝 모델 구조 결정 및 생성

model.compile(loss = 'mean_squared_error', optimizer='adam', metrics=['accuarcy'])
model.fit(X, Y, epochs=100, batch_size=10)
# 딥러닝 실행

• Sequential() 함수 선언 후 add를 통해 레이어를 겹겹이 쌓아 올림
  
• Dense() : 각 층의 특성 설정
  • activation : 다음 층으로 어떻게 값을 넘길지 설정
• compile()
  • loss : 신경망이 실행될때마다 오차를 추적하는 함수
  • optimizer : 오차를 어떻게 줄여나갈지 결정

1. 딥러닝을 위한 기초 수학

1) 미분

• 이차함수에서 최솟값을 구하기 위해서는 미분값이 필요함

  미분 : 순간변화율 구하기!
  

• 기울기 : 방향성을 지니기 때문에 방향을 따라 직선을 길게 그려주면 a에 접하는 접선의 형태로 만들어짐
  • 미분계수 = 그래프에서의 기울기
  • 기울기 0 : 그래프의 최솟값

    • ✔️ 평균변화율 : 두 점 A, B의 기울기
      
      • x 증가량 : b - a = ∆ x
      • y 증가량 : f(b) - f(a) = f(a+∆ x) - f(a)
      • 기울기 : y 증가량 / x 증가량
        

• ✔️ 순간변화율 : x 증가량이 0에 가까울 만큼 아주 작을 때의 순간적인 기울기
  
  • f'(x) = 함수 f(x) 미분
    
    
    

• 미분 특징
  1️⃣ f(x) = a 에서 a가 상수일 때 미분값 = 0
  2️⃣ f(x) = x 일 때의 미분값 = 1
  3️⃣ f(x) = ax에서 a가 상수면 미분값 = a
  4️⃣ f(x) = x^a 일 때 a가 자연수면 미분값 = ax^a-1

2) 편미분

✔️ 편미분 : 어떤 변수로 미분할 지 결정

• x에 관해서 편미분할 경우, 아래와 같은 식이 나옴
  

3) 지수

• a : 밑
• x : 지수
• a를 x만큼 반복해서 곱

✔️ 지수함수 : x가 지수 자리에 있는 경우 ➡️ a의 값에 따라 그래프 모양이 달라짐

4) 시그모이드 함수

✔️ 시그모이드 함수 : 지수함수에서 밑 값이 자연 상수 e인 함수

• x값이 큰 값을 가지면 ➡️ f(x)는 1에 가까워짐
• x값이 작은 값을 가지면➡️ f(x)는 0에 가까워짐

5) 로그 함수

✔️ 로그 함수 : 지수함수와 역관계

• y = x에 대해 대칭인 선으로 나타남
  

  • 로그 함수의 대칭이동
    1️⃣ x축에 대하여 대칭 이동
    
    2️⃣ x축과 y축에 대해여 대칭 이동
    
    3️⃣ 위 그래프를 x축 방향으로 1만큼 이동
    
    4️⃣ 1, 3번 그래프 동시에 나타내기