패스트캠퍼스 환급챌린지 43일차 : Part4. 인공지능의 이해 Lv3 : 인공지능을 바탕으로한 실습

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://bit.ly/4hTSJNB

커리어 성장을 위한 최고의 실무교육 아카데미 | 패스트캠퍼스

Ch04-01 문제 정의 및 데이터의 이해

- sklearn model을 사용하여 클러스터 모델을 생성

- cluster에서 사용가능한 성능지표를 이해

- 데이터의 특성을 통합적으로 활용하여 클러스터를 생성

Ch04-02 구현을 위한 코드의 이해

- KMeans 알고리즘

: 데이터의 거리를 게산해서 가까우면 같은 클러스터로 묶어줌

: K가 몇개로 묶을지에 해당하는 하이퍼 파라미터

- 실루엣 점수를 사용하여 평가 (0~1의 범위)

- K값을 변화시키면서 실루엣 점수를 평가함

- 실루엣 점수가 가장 높은 K를 선택함

- 그룹핑된 이름을 만들어줌

Ch05-01 인공신경망 코드를 위한 주요 코드의 이해

- pytorch의 주요기능을 이해

- 주어진 데이터 셋을 활용하여 인공신경망을 설계

- 인공신경망 학습과정을 코드로 작성하고 학습이 완료된 모델을 생성

- TensorDataset과 DataLoader

- 입력 데이터를 쉽게 처리하고 배치 단위로 잘라서 학습을 할 수 있게 도와주는 모듈

- Dataset : 학습시 사용하는 피처와 타겟의 쌍으로 이루어짐

- Dataloader : 학습 시 인스턴스에 쉽게 접근할 수 있도록 순회 가능한 객체를 생성함. 셔플링과 배치 사이즈 조정에 사용됨

Ch05-02 인공신경망 코드를 위한 주요 코드의 이해

- 디바이스의 설정

: 가능한 GPU로 설정하여 속도를 빠르게할 수 있도록 함

: 단, 연산 유형에 따라 GPU에서 실행 불가능한 경구가 있을 수 있음

- Torch.nn 패키지

: 신경망 생성 및 학습 시 설정해야하는 다양한 기능을 제공

: 신경망을 nn_model을 상속받아 정의

: __init__에서 신경망에서 사용할 레이어를 초기화하고, forward에서 feed forward 연산 수행시 각 레이어의 입출력이 어떻게 연결될지를 지정함

- Model Compile

: 학습 시 필요한 정보들을 선언, 로스와 옵티마이저를 변수로 선언하고 변수를 학습/테스트 시 참고할 수 있도록 매개 변수를 지정함

- Train

: 신경망의 학습 과정을 별도의 함수로 구성

: Feed Forward -> Loss -> Error back propagation -> log -> 반복

- Iteration

: 신경망 학습은 에폭을 반복해서 수행하면서, 모델을 구성하는 최적의 파라미터를 찾음

: 지정한 에폭 수만큼 학습과정과 평가과정을 반복하면서 모델의 성능을 체크함

05-03 인공신경망을 사용한 분류기 생성

1) 라이브러리 및 데이터 로드

2) 데이터로더 생성

3) 신경망의 구조 설정

4) 모델 인스턴스 생성

5) 모델 컴파일

6) 학습 루프

7) 테스트 루트

8) 모델 실행