너와 나의 스토리

Parametric statistics 고정된 매개 변수 집합을 갖는 확률 분포에 의해 적절하게 모델링 될 수 있는 모집단으로부터 샘플 데이터가 온다고 가정하는 통계의 한 부분 Non-parametric statistics 통계학에서 모수에 대한 가정을 전제로 하지 않고 모집단의 형태에 관계없이 주어진 데이터에서 직접 확률을 계산하여 통계학적 검정을 하는 분석법 출처: 위키백과: Non-parametric statistics 위키백과: Parametric statistics

Incremental decision tree algorithm decision tree를 출력하는 online machine learning 알고리즘이다 C4.5와 같은 많은 의사 결정 트리 방법은 완전한 데이터 세트를 사용하여 트리를 구성한다. 과거 인스턴스를 다시 처리할 필요 없이 새로운 개별 데이터 인스턴스만 사용하여 기존 트리를 업데이트할 수 있다. 출처: 위키백과

문제: https://www.acmicpc.net/problem/9202 문제 설명: 상하좌우, 대각선 총 8개의 방향으로 이어지는 단어가 사전에 존재하는 단어를 찾아 해당 단어의 길이별로 점수를 매긴다 각 단어에 속하는 글자 수 1,2 글자 -> 점수는 0점, but 찾은 단어로 카운트는 해야함 3,4 글자 -> 점수: 1점 5 글자 -> 점수: 2점 6 글자 -> 점수: 3점 7글자 -> 점수: 5점 8글자 -> 점수: 11점 문제 풀이: 1. 사전에 들어있는 단어를 입력 받을 때, trie에 삽입한다. boggle 보드에서 abcdef라는 조합이 가능하고 사전에 abcd와 abcde라는 단어가 있을 때 우리는 두 단어 모둘 카운트를 해야한다. 그러므로 트라이에 해당 위치에서 자식이 있는지를 판별하는..

문제: https://www.acmicpc.net/problem/5670 Ries님의 블로그를 참고하여 문제를 풀었다 마지막에 생성한 trie를 할당 해제(delete root)를 안해줘서 메모리 초과가 났다 ㅠㅠ 입력 받을 때, while (scanf("%d", &n))로만 하면 출력 초과가 난다. -> while (scanf("%d", &n)>0)로 바꿔주면 됨 소스 코드: ...더보기 #define _CRT_SECURE_NO_WARNINGS #include using namespace std; int n; struct trie { trie* next[26]; int word, branch; trie() { fill(next, next + 26, nullptr); word = branch = 0; }..

문제: https://www.acmicpc.net/problem/14425 문제 설명: 1. n과 m을 입력 받음 2. n개의 문자열을 입력 받음(형광펜) -> 집합 S 3. m개의 문자열을 입력 받음 이 때 입력 받은 문자열이 집합 S에 있으면 cnt++ * baekjoon은 집합 S에 포함되는거 아님 baekjoononlinejudge처럼 완전히 일치하는 것만 포함되는 걸로 취급 문제 풀이: Trie 메모리 제한이 1536 MB로 넉넉하므로 trie로 풀어보았다. insert함수로 trie를 만들고 check함수로 포함되는지 확인 했다. check함수에서 현재 문자열이 새로운 길로 가려고 하면 S에 포함되지 않는 것이므로 -> false 리턴 현재 문자열을 끝까지 다 봤고 S에 속하는 문자열도 이 곳..

앙상블: 일련의 예측기(분류나 회귀 모델) 앙상블 학습(Ensemble learning): 일련의 예측기로부터 예측을 수집하면 가장 좋은 모델 하나보다 더 좋은 예측을 얻을 수 있을 것 앙상블 방법(Ensemble method): 앙상블 학습 알고리즘 훈련 세트로부터 무작위로 각기 다른 서브셋을 만들어 일련의 결정 트리 분류기를 훈련시킬 수 있다. 예측을 하려면 모든 개별 트리의 예측을 구하면 된다. 그런 다음 가장 많은 선택을 받은 클래스를 예측으로 삼는다. 랜덤 포레스트(Random forest): 결정 트리의 앙상블 가장 강력한 머신러닝 알고리즘 Ensemble method - 배깅, 부스팅, 스태킹 등 1. 투표 기반 분류기 좋은 분류기를 만드는 방법은 (로지스트)회귀 분류기, SVM 분류기, 랜..

Decision Tree 분류 / 회귀 작업 / 다중출력 작업이 가능한 머신러닝 알고리즘 랜덤 포레스트의 기본 구성 요소 1. Decision Tree 만들기 from sklearn.datasets import load_iris #데이터 가져옴 from sklearn.tree import DecisionTreeClassifier iris = load_iris() X = iris.data[:,2:] # 꽃잎의 길이와 너비 y = iris.target tree_clf = DecisionTreeClassifier(max_depth=2) tree_clf.fit(X,y) 2. 예측하기 새로 발견한 붓꽃의 품종을 분류해보자 * 결정 트리는 데이터 전처리가 거의 필요하지 않다. 특히 특성의 스케일을 맞추거나 평균을 ..

● DTRNN(Discrete-time recurrent neural network) - 네트워크가 외부 클록에 의해 구동된 것처럼 개별 단계로 처리가 수행된다 ● CTRNN(Continuous-time recurrent neural network) - 연속적인 시간에서 처리된다 Training approaches BPTT(Backpropagation though time) 스퀀스가 처리될 때마다 discrete-time RNN을 multilayer FFNN(feedforward neural network)으로 펼친다 FFNN은 시퀀스에서 각 'time step'에 대한 layer을 하나씩 가진다. 'time step'은 layer의 index와 같다 layer 간 연결을 돌려쓴다 단점: 전체 시계열을 ..