[7주차 과제 제출]1팀 임세훈

week3/6팀_임세훈.md

@@ -0,0 +1,82 @@
+# 트리 알고리즘
+___
+## 결정 트리
+> 결정 트리란? 
+
+  ![](https://img1.daumcdn.net/thumb/R1280x0/?scode=mtistory2&fname=https%3A%2F%2Fblog.kakaocdn.net%2Fdn%2FwlH1u%2FbtqwWZI9Xen%2FkFJDjGSFJAPxhyatC3Xhs0%2Fimg.png)
+
+  - 조건문에 대한 참과 거짓으로 데이터를 판별 
+  - 조건을 확인할 수 있기 때문에 직관적
+  - 조건에 따라 데이터를 분류하기 때문에 회귀보다는 분류 문제에 적합
+  - 탐욕 알고리즘의 일종
+
+>로지스틱 회귀와 다른 점
+
+  |로지스틱 회귀 | 결정 트리|
+  | :--:| :--: |
+  |선형  | 비선형 |
+  |데이터가 특정 범주에 속할 확률 확인|데이터가 특정 범주에 속하는 이유 확인|
+  | | |
+
+> 루트 노드와 리프 노드
+
+ - 노드 : 결정 트리를 구성하는 핵심 요소. 데이터의 특서엥 대한 테스트 표현  
+
+   - 루트 노드 : 결정 트리의 맨 위에 있는 노드
+   - 리프 노드 : 결정 트리의 맨 아래 끝에 달린 노드
+
+> 노드를 이루는 구성 요소
+
+  - 테스트 조건 : 훈련 데이터에 대한 테스트를 표현하는 요소
+  - gini : 데이터가 얼마나 섞여있는지를 표현하는 요소(불순도)
+  - samples : 총 샘플의 수를 표현하는 요소
+  - value : 각 클래스 별의 샘플 수를 보여주는 요소
+
+> 불순도
+  - Criterion 매개변수에서 데이터의 분할 기준을 결정하는 값
+     - 기본값은 gini, 엔트로피와 같은 다른 불순도도 존재
+     - gini = 1-((음성 클래스 비율)^2 + (양성 클래스 비율)^2)
+  - 부모 노드와 자식 노드의 불순도 차를 크게 만드는 것이 좋음(정보 이득)
+     - 정보 이득 : 부모와 자식 노드 사이의 불순도 차이
+
+> 가지치기
+  - max_depth : 트리의 최대 깊이를 조절하는 하이퍼파라미터
+     - scikitlearn에서는 GridSearchCV()를 통해 자동으로 하이퍼파라미터를 탐색
+  - 최대 깊이가 커질수록 정확도가 높아지지만 너무 커지면 과대적합이 발생
+
+___
+## 교차 검증과 그리드 서치
+
+>Validation set(검증 세트) & Cross Validation(교차 검증)
+  - 기존의 훈련 세트를 한번 더 나누어서 과적합 문제를 방지
+  - 검증 세트를 떼어내고 교차 검증을 하면서 안정적인 검증 점수를 얻음
+     - k - 폴드 교차 검증 : 훈련 세트를 k개로 나누어서 검증 세트를 떼어내고 평가하는 과정을 반복
+
+
+  ___
+## 트리의 앙상블
+>RandomForest
+  - 랜덤하게 결정 트리를 형성해 여러 개의 결정 트리로 숲을 이루는 방식
+  - 각 결정 트리의 예측으로부터 최종 예측값을 도출
+  - 부트스트랩 샘플을 이용
+     - 부트스트랩 : 각각의 트리를 학습시키기 위해 학습 데이터를 중복을 허용하여 랜덤하게 뽑는 것
+
+>ExtraTree
+  - Randomforest와 동일하게 작용하지만 샘플을 뽑는 방식에서 차별점을 둠
+  - 무작위 분할 실행
+     - 앙상블의 다양성을 높이고, 과대적합을 방지하는 효과
+
+> Gradient Boosting
+  - 깊이가 낮은 트리 여러개를 사용
+     - 과대적합 방지, 일반화 성능 구현
+  - 경사 하강법과 유사한 과정
+     - max_depth 값을 점차 줄여나가며 이동
+  - 분류 문제는 로지스틱 손실 함수, 회귀 문제는 평균 제곱 오차 함수를 사용
+  - 성능이 좋지만 속도가 느리다는 단점
+
+> Histogram-based Gradient Boosting
+  - Gradient Boosting + Histogram
+     - 입력 특성을 256개의 구간으로 나눔
+     - 이중 하나는 누락된 값을 위하여 사용(누락된 값 전처리할 필요 X)
+  - Gradient Boosting에서 속도/성능 개선
+     - 머신러닝 알고리즘 중 가장 인기가 높음

week5/1팀_임세훈.md

@@ -0,0 +1,78 @@
+# Ch.06 비지도 학습
+## 1. 비지도 학습<span style = "color: grey"> Unsupervised learning</span>
+### 비지도 학습이란?
+ - 결과정보가 없는 데이터들에 대해 특정 패턴을 찾는 것
+ - 데이터의 잠재 구조, 계층 구조 찾기
+ - 숨겨진 사용자 집단 찾기
+ - 사용 패턴 찾기
+
+### 비지도 학습의 대상
+ 1. 군집화 <span style = "color: grey"> Clustering</span>
+ 2. 밀도 추정<span style = "color: grey"> Density estimation</span>
+ 3. 차원 축소<span style = "color: grey"> Dementionality reduction</span>
+   ___
+## 2. k-평균 알고리즘 <span style = "color: grey"> k-Mean Clustering Algorithm</span>
+
+### 원리
+1. 센트로이드 랜덤 선정
+2. 샘플에 레이블을 할당하고 센트로이드 업데이트
+3. 센트로이드 변화가 없을 때까지 2를 반복
+
+### 업데이트 방식
+- inertia
+  - 샘플과 센트로이드 가이의 거리를 측정하여 모델의 대략적인 성능 확인
+  - 특정 클러스터 개수에서 inertia 급격하게 감소
+
+### 최적의 클러스터 개수 찾기
+  - inertia가 급격하게 감소하는 지점의 클러스터 개수 찾기
+  - 실루엣 score가 1에 가까운 클러스터 개수 찾기
+
+### 문제점
+ - 변동성 문제
+   - 센트로이드의 초기값에 따라서 결과가 달라질 수 있음
+ - Outlier에 예민
+   - Outlier 하나하나에 센트로이드가 민감하게 반응
+ - 다양한 모양의 클러스터에 취약
+   - 거리만을 측정하여 센트로이드 값을 업데이트하기 때문
+___
+## 3. 차원 축소 <span style = "color: grey">Demensionally Reduction</span>
+
+### 고차원 데이터의 문제점
+- 계산 복잡성 증가
+- 노이즈 발생 가능성 증가
+- 변수들의 상관관계가 많을 수록 모델 성능 감소
+
+### 해결책
+- 차원 축소
+  - 저차원에서도 데이터를 잘 설명하는 변수들만 사용
+___
+## 4. PCA <span style = "color: grey">Principal Component Analysis</span>
+
+### 원리
+- 원본 데이터의 분산을 보존하는 수직인 기저 집합 찾기
+  - 데이터가 Projection된 이후에도 데이터의 분산 보존
+  - 차원 축소 이후 데이터의 분산이 큰  방향으로 진행
+- 공분산
+ - 어떤 변수의 증감에 따라 다른 변수가 따라가는 정도를 의미
+ - 이러한 관계를 수치적으로 표현
+
+### 과정
+1. Data Centering
+  - 데이터의 중심을 평균값으로 조정한다.
+  (이후 공분산을 계산할 때 유용)
+2. 최적화 문제 계산
+  - 벡터를 기저에 투영시켰을 때의 공분산을 계산
+  - 공분산이 큰 쪽으로 진행
+3. Lagrangian multiplier
+  - Lagrangian multiplier을 이용하여 Eigenvectors와 Eigenvalues를 구한다.
+4. 적용
+  - Eigenvectors, Eigenvalues를 통해 lambda값을 계산(lambda값에 따라 원 데이터의 분산이 잘 보존되는지 알 수 있음)
+
+### 데이터 재구성
+- 압축된 데이터셋에 PCA변환을 반대로 적용하면 원래 차원으로 되돌릴 수 있음
+- 이 경우 원본 데이터와의 차이(재구성 오차)가 발생
+
+### PCA 이외의 차원 축소 기법
+- Isomap, t-SNE, MDS 등
+- 각각의 기법에 따라 차원 축소 후의 결과가 다르게 나타남
+ ___

week7/1팀_임세훈.md

@@ -0,0 +1,44 @@
+# Ch.08 이미지를 위한 인공 신경망
+## 1. 합성곱 신경망<span style = "color: grey"> Convolutional Layer</span>
+### 기존의 신경망
+ - 처음에 가중치와 절편을 랜덤하게 초기화한다
+ - 에포트를 반복하며 경사 하강법 알고리즘을 사용한다 
+ - 손실이 작은 최적의 가중치와 절편을 찾는다
+ - 밀집층의 뉴런만큼 출력이 나온다
+
+### 합성곱 신경망
+ - <span style = "background-color: #fff591"> 입력 데이터 일부</span>에 가중치를 곱한다
+ - 이 가중치를 한칸씩 아래로 이동해가면서 출력을 만든다
+ - <span style = "background-color: #fff591"> 밀집층의 뉴런 개수 - 가중치 개수 + 1개</span>만큼 출력이 나온다 
+ - <span style = "background-color: #fff591">데이터가 1차원이 아니어도 그대로 처리 가능</span>, 이때 필터는 데이터의 차원을 따른다
+
+### 용어
+ - **필터/커널** : 신경망에서의 뉴런과 같은 의미
+ - **특성 맵** : 합성곱 계산을 통해 얻은 출력
+
+### 패딩과 스트라이드
+ - **패딩** : 입력 배열의 주위를 가상의 원소로 채우는 것
+   - **세임 패딩** : 가상의 값이기 때문에 모두 0으로 채우는 것
+   - **밸리드 패딩** : 패딩 없이 순수한 입력 배열에서만 합성곱을 하는 것
+ - 패딩을 하는 이유 : 모서리 값이 덜 사용되는 것을 줄이기 위해서   
+ - **스트라이드** : 커널이 이동하는 거리(기본값 : 1)
+ - 스트라이드의 값을 크게 하면 특성 맵의 크기가 더 작아진다.
+
+### 풀링
+ - **풀링** : 합성곱 층에서 특성 맵의 크기를 줄이는 것 
+ - 풀링을 하는 이유 : 성능 증가(경험적)
+ - 풀링에는 가중치가 없다
+   - **최대 풀링** : 커널에서 가장 큰 값을 고르는 것
+   - **평균 풀링** : 커널의 평균값을 계산하는 것   
+___
+## 2. 합성곱 신경망의 시각화 
+
+### 가중치 시각화
+- 가중치의 역할 : 입력 이미지의 어떤 특징을 크게 두드러지게 하는 것
+    - ex) 가중치가 위로 볼록하게 큰 값을 가진 경우 : 위로 볼록한 형태에 대한 출력값이 높게 나온다
+- 각 layer마다 weights 객체에 가중치를 저장
+
+### 특성 맵 시각화
+- conv_acti.predict 함수가 출력하는 값을 matplotlib을 이용하여 시각화
+- 각각의 필터에 대해서 특정 필터가 감지하는 형태를 시각화할 수 있음
+- 합성곱 층을 많이 쌓을수록 직관적으로 이해하기 어려운 plot이 나옴(추상적인 정보 학습)