Wendi's Learning

import seaborn as sns %matplotlib inline Load Data tips = sns.load_dataset('tips') tips.head() Distribution Plot # distribution plot sns.displot(tips['total_bill # kde sns.distplot(tips['total_bill'], kde = True, bins = 30) Joint Plot # kind = plot 종류 sns.jointplot(x = 'total_bill', y = 'tip', data = tips, kind = 'scatter') sns.jointplot(x = 'total_bill', y = 'tip', data = tips, kind = 'hex') sn..

import matplotlib.pyplot as plt %matplotlib inline Basic Plot import numpy as np x = np.linspace(0,5,11) y = x ** 2 plt.plot(x, y, 'red') plt.xlabel('X Axis') plt.ylabel('Y Axis') plt.title('Title') plt.show() Subplot plt.subplot(1,2,1) # nrow, ncol, index(1~) plt.plot(x, y, 'r') plt.subplot(1,2,2) plt.plot(y, x, 'b') Object Oreinted Method fig = plt.figure() axes = fig.add_axes([0.1, 0.1, 0.8, ..

Pandas import numpy as np import pandas as pd labels = ['a','b','c'] my_list = [10,20,30] arr = np.array([10,20,30]) my_dict = {'a' : 10, 'b' : 20, 'c' : 30} Series pd.Series(data = my_list) pd.Series(data = my_list, index = labels) pd.Series(arr) pd.Series(arr,labels) pd.Series(my_dict) ser_1 = pd.Series([1,2,3,4], index = ['A','B','C','D']) ser_1 ser_2 = pd.Series([4,3,2,1],['B','C','D','F']) ..

Array import numpy as np my_list = [1,2,3] np.array(my_list) my_matrix = [[1,2,3],[4,5,6,],[7,8,9,]] np.array(my_matrix) Arange np.arange(11) np.arange(1,11) np.arange(1,11,2) # interval Zeros, Linspace np.zeros(3) np.zeros((5,5)) # matrix = tuple np.linspace(0,10,3) # linearly spaced in area np.linspace(0,10,50) Random np.random.rand(3) # [0,1) np.random.randn(2,5) # standard normal np.random.r..

4.1 적률추정법 4.2 최대가능도 추정법 4.3 추정의 기준 4.4 최소분산 비편향추정량 4.5 추정량의 점근적 성질 4.6 구간추정 4.7 베이즈 추정

3.1 모집단과 표본 3.2 정규분포와 관련된 분포들 3.3 정규분포로부터의 표본추출 3.4 대수의 법칙과 중심극한정리 3.5 순서통계량 연습문제 3장

2.1 확률변수의 정의 2.2 확률밀도함수 및 확률분포함수 2.3 결합 및 조건부 확률분포 2.4 기댓값 2.5 이산형 확률분포 2.6 연속형 확률분포 2.7 확률변수들의 함수 2.8 적률생성함수 2.9 확률생성함수 연습문제

1.1 표본공간과 사건 1.2 확률의 정의 1.3 조건부 확률 1.4 경우의 수 연습문제

Coursera Andrew Ng의 Neural Network and Deep Learning 강좌를 모두 수강했다. 4주차로 구성되어있는 짧은 강의 였지만 딥러닝에 대한 전반적인 이해와 지식을 배울 수 있었다. 1. 여러개의 hidden layers가 있는 NN을 Deep Neural Network이라 한다. 2. Forward propagation은 input에서 ouptut을 parameter w, b를 이용해 activation function을 계산한다. 3. Back propagation의 계산을 편리하게 하기 위해, forward propagation일 때 캐시로 Z = W*A+b 를 저장한다. 4. Backward propagation은 ouptut y와 labeled y의 차이를 통해, ..

Deep L-layer Neural network What is a deep neural network? 여러개의 hidden layer가 있는 NN을 Deep Neural network라고 한다. Notation 레이어 갯수 : L = 4 레이어 $l$에 있는 노드(유닛) 갯수 : $n^{[l]}$ 레이어 $l$에 있는 activations : $a^{[l]}$ $a^{[l]}=g^{[l]}(z^{[l]})$ $z^{[l]}$의 가중치 $w^{[l]}$ Forward Propagation in a Deep Network Forward Propagation $$z^{[l]}=w^{[l]}A^{[l-1]}+b^{[l]} \ A^{[l]}=g^{[l]}(z^{[l]})$$ Not vectorized$a^{[..