안 쓰던 블로그

[준비] vagrant 설치 www.vagrantup.com/downloads virtualBox 설치 www.virtualbox.org/wiki/Downloads 설치할 때 환경변수까지 설정된다. 이거 되어 있으면 어디서든 vagrant 실행이 가능 윈도우 파워쉘 - 관리자 모드로 실행 베이그런트: 어떤 프로젝트의 개발 환경 공유르르 위한 도구. 즉, 개발 환경이 필요한 프로젝트 디렉터리가 있어야 한다 vagrant 폴더 만들기 - 이동 vagrant init - (vagrantfile 생성됨) vagrantfile에는 지금 base가상머신 구동이라고만 설정되어 있음. 어떤 이미지를 사용할지, 어떤 설정을 사용할지를 이 파일에서 설정할 수 있다. 쉘에서 노트패드를 실행하면 편리하게 설정할 수 있다. n..

There was an error while executing VBoxManage, a CLI used by Vagrant for controlling VirtualBox. The command and stderr is shown below. Command: ["startvm", "dff6693e-52c8-4c9e-922a-243d18c7f666", "--type", "headless"] Stderr: VBoxManage: error: The VM session was closed before any attempt to power it on VBoxManage: error: Details: code NS_ERROR_FAILURE (0x80004005), component SessionMachine, in..

완벽한 승리ㅋㅋ

그래프에서 사이클 구간 찾는 문제 문제 이해 자체는 쉬운데 구현이 어려웠다 사이클을 찾아야 하는데, 다른 사람들 글을 보니까 finish배열을 써서 finish가 체크가 아닌데 visit는 체크이면 사이클이고 그런다던데 뭔소린지 직관적으로 이해되지 않아서 이해하는 데 좀 걸렸다 1. 사이클 확인 그래서 내 나름대로 이해해 보았는데, finish배열말고 아래처럼 생각하면 좋더라 void dfs(int now) { int next = v[now]; //가리키는 거 if (visit[next]) { //방문을 했던 노드인데 또 탐색하러 오게 되면 사이클이다 //구현 } visit[now] = 1; dfs(next); //다음 경로 } dfs를 돌면서 보통 이렇게 방문을 체크하고, 방문하지 않았으면 dfs를 또..

케라스 창시자에게 배우는 딥러닝 - 5장을 요약 정리한 글입니다. 컨브넷(convnet)또는 합성곱 신경망이라고 불리는 CNN에 대해서 공부한다. 합성곱 신경망에 대해 하기 전에, 완전 연결망과의 차이를 한 번 짚고 간다. 완전 연결 네트워크(Fully connected network)과의 차이 완전 연결 네트워크는 densely connected 밀집 연결이라고도 한다. 같은 테스트 데이터에서 완전 연결된 모델보다 간단한 컨브넷이 더 잘 작동한다. 왜 그럴까? 바로 완전 연결 층과 합성곱 층 사이의 차이 때문에 그렇다. Dense 층은 입력 특성 공간에 있는 전역 패턴(예: MNIST 숫자 이미지에서 모든 픽셀에 걸친 패턴)을 학습하지만 합성곱 층은 지역 패턴(예: 숫자 이미지의 작은 특징들)을 학습한..

머신 러닝의 네 가지 분류 1. 지도 학습 사람이 레이블링한 샘플 데이터가 주어지면 알고 있는 꼬리표(타깃)에 입력 데이터를 매핑한다. 가장 흔한 경우이며, 이진 분류, 다중 분류, 스칼라 회귀는 전부 지도 학습에 포함된다. 문자 판독, 음성 인식, 이미지 분류, 언어 번역 같은 딥러닝의 거의 모든 애플리케이션이 일반적으로 이 범주에 속한다. 대부분 분류와 회귀로 구성되지만 변종도 있다 변종의 예 -시퀀스 생성: 사진이 주어지면 이를 설명하는 캡션 생성 -구문 트리 예측: 문장이 주어지면 분해된 구문 트리를 예측 -물체 감지: 사진이 주어지면 사진 안의 특정 물체 주위에 경계 상자를 그린다. 상자를 분류하는 분류 문제나, 경계 상자의 좌표를 벡터 회귀로 예측하는 회귀와 분류과 결합된 문제로 표현할 수 있..

앞선 글에서 이진 분류과 다중 분류, 즉 분류 문제를 다루었다. 분류 문제는 입력 데이터 포인트의 개별적인 레이블 하나를 예측하는 것이 목적이다. 또 다른 종류의 머신 러닝 문제에는, 개별적인 레이블 대신에 연속적인 값을 예측하는 회귀(regression)가 있다. 예를 들어 기상 데이터가 주어졌을 때 내일 기온을 예측하거나 소프트웨어 명세가 주어졌을 때 소프트웨어 프로젝트가 완료될 시간을 예측하는 등의 일을 한다. (참고로 로지스틱 회귀 알고리즘은 이름만 회귀이지 회귀 알고리즘이 아니라 분류 알고리즘이다. 로지스틱 회귀는 선형 회귀의 분류 버전으로 중간층이 없고 하나의 유닛과 시그모이드 활성화 함수를 사용한 출력층만 있는 네트워크와 비슷하다.) 보스턴 주택 가격 데이터셋 1970년 중반 보스턴 외곽 지..