#kr-r

R로 하는 딥러닝 맛보기 R로 할수있는 일에는 잘 알려져있고 응용통계 분야에서 계속 써오던 기법말고도 딥러닝 기법들도 써볼수있습니다. 다만, 딥러닝과 같은 경우 텐서플로우등을 감싸고 있는 R전용 연결고리를 잘 설정해주어야 합니다. R은 딥러닝 전용 프로그래밍언어가 아니여서 한계가 있을수 있어 프로그래머들은 파이썬을 선호하는 편이지만, 분명 R도 딥러닝을 할수있게

간단하면서도 간단한 나이브 베이즈 분류기 나이브 베이즈는 정말 오래된 방법의 분류기로, 대부분의 스팸 필터가 장착하고 있는 무기이기도 합니다. 예를들어, 이메일로 전송된 정보중 MONEY라는 단어가 등장했을때, 이를 스팸으로 분류해도 되는가에 대한 해답을 제시합니다. 조건부 확률이란? 위의 MONEY라는 단어가 등장했을때, 스팸일 확률을 한번 따져봅니다. 전체

서포트 벡터 머신 (Support Vector Machine) 서포트 벡터 머신은 상당히 유용한 방법이면서도 이름으로는 쉽게 그 역할을 가늠할수 없는 방법이기도 합니다. 사실, 서포트 벡터를 이름만으로 느끼기는 힘드니, 그래프를 하나 봅시다 여기서, 서포트 벡터는 최대 간격에 제일 가까워서 두꺼운 경계선을 만드는데 도움을 주는 녀석들을 말합니다. 어때요 참

Principal Component Analysis 안녕하세요. 오늘도 재미는 없지만 열심히 쓴 글을 풀러왔습니다. 어디서 따온글도 아니고 다 직접 쓴 글이구요, 좋아요를 받든말든 저는 제 갈길 갑니다 꺄하하하하 변수가 너무 많을때. 우리는 데이터 분석을 할때, 정말 많은 데이터 종류를 넣어서 예측을 합니다. 예를들어, 실제 물건이 얼마나 팔리는지 예측을 할때

추천시스템 - 협업필터링 사람들의 입맛을 만족시키는 것은 굉장히 어렵습니다. 당장 점심메뉴만 해도 굉장히 선택하기 힘든데, 한끼한끼가 소중한 애인과의 데이트는 신중히 결정하여야 하는게 사실입니다. 하지만 당신은 굉장히 능숙한 애인 전문가이기 때문에 상당히 많은 사람과 데이트한 결과를 잘 정리해놓은 표가 있습니다. 이러한 상황에서 당신은 정말 마음에 드는 이상형과

클러스터링을 통한 데이터 세분화 이해 마케팅 분야에서는 시장세분화를 통해 각 단계별로 마케팅해서 고객에게 빠르게 노출시키고 이들을 돈을 쓰게 만드는것이 중요합니다. 경영학 서적을 들춰보면 여러 인구통계학적 변수(연령, 성별, 지역 등)과 심리분석적 변수(사회계층, 심리분석적 등)에 따라 나눠서 시장을 진출하라 말합니다. 하지만 실무자가 시장을 세분화하기에는

로지스틱 회귀로 성별 판별하기 눈크기와 눈의 형태만 가지고 성별을 판단할수 있을까요? 우리가 흔히 생각하는 여자의 눈은 좀더 크고 반달에 가까운데 반해 남자의 눈은 좀더 찢어지고 작은 편입니다. 그렇다면 정말 차이가 존재할까요? 만약 차이가 존재한다면, 눈의 형태로 혹시 성별을 판단할수 있을지 확인해봅시다. 로지스틱회귀란? 로지스틱 회귀는 이진형 사건의 발생확률을

결정나무(Decision Tree) Decision Tree라고 부르는 결정나무도 실질적으로 이해하기 너무 쉬운 방법의 기법입니다. 일반적인 소개팅도 머릿속에는 이런 과정이 흘러가고 있습니다. 머신러닝을 통해 이러한 결정나무를 자동생성할수 있습니다. 생성 알고리즘은 복잡한 편이나, 워낙 결과물이 직관적이라 모델을 가지고 결정을 함에 있어 이에대한 설명을 잘

회귀분석 Regression은 회귀분석이라는 이름으로 사회과학, 자연과학 등 학계 전반에 걸쳐 너무나도 자주 쓰이는 분석방식입니다. 회귀라는 이름은 사실은 그다지 와닫지는 않습니다. 사실은 이름에 대한 유래는 Galton이라는 사람의 실험에서 부터 시작됩니다. 이 실험의 논문 이름은 "Regression towards Mediocrity in Hereditary