AI 학습을 위한 Python 학습 계획 진전 관리
배경과 목적
Chainer에 의한 Python의 학습이 한 단락 될 것 같기 때문에
계획을 검토합니다.
결론
아래에서 소개하는 전문서를 학습하고 기계 학습을 사용한 애플리케이션을 출력한다.
최선을 다하겠습니다! ! !
내용
우선 깨끗이 배운
아래에서 소개하는 전문서를 학습하고 기계 학습을 사용한 애플리케이션을 출력한다.
최선을 다하겠습니다! ! !
내용
우선 깨끗이 배운
오차 역 전파, 경사 강하, 미니 배치 학습
다음으로 공부 예정(기본적으로 전문서로 접하는 정도의 일은 할 수 있을 것 같다)
이 책에서 공부합니다.
다중 회귀 분석, 릿지 회귀, 라소 회귀, 물류 회귀, k 이웃 방법, 지원 벡터 기계, 결정 트리, 무작위 포리스트, 교사없는 학습의 대표 알고리즘, k 평균법, 주성분 분석, 하이퍼 파라미터의 대표적인 조정 방법, 그리드 검색, 랜덤 검색, 베이즈 최적화, 분류의 대표적인 평가 지표, 정답률, 적합률, 재현률, F 값
또한 다음 단계
아래는, 만들고 싶은 프로그램에 따라 적절히 공부하면 좋을 것 같기 때문에, 배우는 순서로서는 지금은 아니고 후반이 될 것 같다
이미지 데이터, 컨벌루션 신경망(CNN), 물체 검출 알고리즘(R-CNN, YOLO, SSD 등), 시맨틱 세그멘테이션 알고리즘, 문장 데이터, 문장 데이터의 특징 추출 방법(Bag of words, Word2Vec 등), 기계 번역 알고리즘 (Seq2Seq, Attention 등)
시계열 데이터(1/1의 내점자수는 100명의 데이터에 전후 관계가 존재하는 데이터)
재귀형 신경망(RNN, LSTM, GRU 등)
컨벌루션 신경망(CNN)
표 데이터(Excel 시트에 나열된 데이터)
특징량 엔지니어링
발전적인 기계 학습 알고리즘(XGBoost, LightGBM 등)
Reference
이 문제에 관하여(AI 학습을 위한 Python 학습 계획 진전 관리), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/FxkRn2/items/e5cea62e32a70f6469e6텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)