전체 글 (173) 썸네일형 리스트형 [CSS] 반응형 웹 01 반응형 웹 소개 반응형 웹 - 웹 페이지 하나로도 데스크톱, 태블릿PC, 스마트폰에 맞게 디자인이 자동으로 반응해서 변경되는 웹 페이지 ○ 개발 효율성, 유지 보수 용이 - 미디어 쿼리(media query)를 사용해 개발 뷰포트 설정 - meta 태그 : 추가적인 웹 페이지 정보를 제공 - 뷰포트와 관련한 meta 관련 설정 - viewport meta 태그 - name 속성에 viewport가 입력된 meta 태그 - viewport meta 태그의 content 속성에 입력할 수 있는 값 width 화면 너비 width=240 height 화면 높이 height=800 initail-scale 초기 확대 비율 initial-scale=2.0 user-scalable 확대 및 축소 가능 여부 u.. [혼공딥] CHAPTER 07-3 신경망 모델 훈련 손실 곡선 fit 메서드는 metrics에 지정된 정확도 값과 손실값을 각 에포크마다 계산해서 저장해주고 이를 history 객체로 반환해준다. model.compile(loss='sparse_categorical_crossentropy', metrics='accuracy') history = model.fit(train_scaled, train_target, epochs=5, verbose=0) print(history.history.keys()) history 객체를 받아서 history 객체에 있는 history 속성의 key값을 확인하면 loss와 accuracy가 있음을 확인할 수 있다. dict_keys(['loss', 'accuracy']) import matplotlib.pyplot as .. [혼공딥] CHAPTER07-2 심층 신경망 2개의 층 from tensorflow import keras (train_input, train_target), (test_input, test_target) = keras.datasets.fashion_mnist.load_data() 전 챕터와 똑같이 데이터셋을 불러온다 from sklearn.model_selection import train_test_split train_scaled = train_input / 255.0 train_scaled = train_scaled.reshape(-1, 28*28) train_scaled, val_scaled, train_target, val_target = train_test_split(train_scaled, train_target, test_size=0.. [혼공딥] CHAPTER 07-1 인공신경망 패션 MNIST 텐서플로의 케라스(Keras) 패키지를 임포트하고 패션 MNIST 데이터를 다운로드한다. from tensorflow import keras (train_input, train_target), (test_input, test_target) = keras.datasets.fashion_mnist.load_data() keras.datasets.fashion_mnist 모듈 아래 load_data() 함수는 훈련 데이터의 입력과 타깃의 쌍, 테스트 데이터의 입력과 타깃 쌍을 반환해준다. 데이터의 크기를 확인해보면, print(train_input.shape, train_target.shape) 훈련 데이터는 60000개의 이미지로 크기는 28 x 28으로 3차원배열이고, 타깃도 60000개의.. [CSS] 레이아웃 구성 01 수평, 중앙, One True 정렬 레이아웃 수평 정렬 레이아웃 - float와 overflow 속성을 사용해 레이아웃을 만들기 - 규칙: 자손에게 float 속성을 지정하고, 부모의 overflow속성에는 hidden키워드를 적용 Lorem ipsum dolor sit amet consectetur adipisicing elit. Sint dolore consectetur rerum quisquam error eligendi mollitia facilis officiis similique non. Totam reprehenderit eveniet optio possimus quo et minus voluptatibus molestias. 메뉴 - 1 메뉴 - 2 메뉴 - 3 메뉴 - 4 Lorem.. [혼공머신] CHAPTER 06-3 주성분 분석 차원(dimension) : 머신러닝에서 10000개의 특성이 있다면 10000개의 차원이 있는 것 차원 축소(dimensionality reduction) 데이터를 가장 잘 나타내는 일부 특성을 선택해 데이터 크기를 줄이고 지도 학습 모델의 성능을 향상시키는 방법 또는 줄어든 차원에서 원본 차원으로 손실을 최대한 줄이면서 복원->특성의 개수를 줄인다 주성분 분석(principal component analysis, PCA) - 데이터에 있는 분산이 큰 방향을 찾는 것 - 분산: 데이터가 널리 퍼져있는 정도 -> 가장 많이 퍼져있는 쪽을 찾는 방법 >> 그 방향이 이 데이터를 표현하는데 가장 적합하기 때문이다 과일 사진 데이터를 다운로드해 넘파이 배열로 적재한다 !wget https://bit.ly/fr.. [혼공머신] CHAPTER 06-2 k-평균 이전에는 사과, 파인애플, 바나나 사진임을 이미 알고 있어서 각 과일의 평균을 구할 수 있었지만 실제 비지도 학습에서는 사진에 어떤 과일이 있는지 알지 못한다 이런 경우 평균값을 어떻게 구할 수 있을까? k-평균 군집 알고리즘(클러스터 중심 or 센트로이드) 무작위로 k개의 클러스터 중심을 정한다(랜덤하게) 각 샘플에서 가장 가까운 클러스터 중심을 찾아 해당 클러스터의 샘플로 지정한다 클러스터에 속한 샘플의 평균값으로 클러스터 중심을 변경한다 클러스터 중심에 변화가 없을 때까지 2번으로 돌아가 반복한다. !wget https://bit.ly/fruits_300_data -O fruits_300.npy #데이터 다운로드 import numpy as np fruits = np.load('fruits_300... [혼공머신] CHAPTER 06-1 군집 알고리즘 비지도 학습(unsupervised learning) 지도학습이 특정 입력에 대하여 올바른 정답이 있는 데이터가 주어지는 학습이라면, 비지도 학습은 특정 입력에 대해 정답이 없는 데이터가 주어지는 학습이다. 군집화(clustering) 과일 사진 데이터 준비하기 !wget https://bit.ly/fruits_300_data -O fruits_300.npy - 사과, 바나나, 파인애플 흑백 사진 import numpy as np import matplotlib.pyplot as plt fruits = np.load('fruits_300.npy') 넘파이에서 npy 파일을 로드하는 방법 print(fruits.shape) fruits 배열의 크기 확인 (300, 100, 100) 300개의 샘플이 있고,.. 이전 1 ··· 14 15 16 17 18 19 20 ··· 22 다음
