Difference between r1.6 and the current
@@ -1,14 +1,28 @@
[[pagelist(^(머신러닝스터디/2016))]]
[머신러닝스터디/2016]
[머신러닝스터디/2016/목차]
== 내용 ==* [https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/2%20-%20Basic%20Classifiers/logistic_regression.py Logistic Regression(Binary Regression)]
https://upload.wikimedia.org/math/8/e/a/8ea0a810cfcd0c3dfec49306e214e301.png
* Softmax * exponential을 쓴다.
* 항상 양의 값을 가지며 단조 증가한다는 특징을 가짐.
* exponential을 쓴다.
* 아래는 Tensorflow API 정의
{{{softmax[i, j] = exp(logits[i, j]) / sum(exp(logits[i]))}}}
* exponential은 항상 양의 값을 가지며 단조 증가한다는 특징을 가지기 때문에 확률 계산에 적합하다.
* None
* TensorFlow에서 지원하는 기능
* 예를 들어 784,00개의 데이터를 넣어주면 자동으로 행렬이 100 * 784로 형성된다.
* TensorFlow에서는 행렬과 백터의 합이 지원이 된다.
* 정확히는 m*n 크기의 행렬 A에 n*1의 백터 B를 더하면 m개의 행에 각각 백터 B가 더해진다.
* TensorFlow API* https://www.tensorflow.org/versions/master/api_docs/python/math_ops.html#reduce_sum
* 가장 중요한 것은 graph의 shape
== 후기 ==
* [서지혜]: softmax의 정의를 오늘 처음 보고 멘붕했다. Sigmoid에 집착하고 있었다.
* [강민승]: Matrix의 형태(행, 열)가 어떻게 변하는지를 이용해 연산의 흐름을 잡는게 중요하다고 들었으나 아직 머릿속에서 정리가 잘 안된다.
* [유재범] : 행렬 연산 설명을 들어서 비교적 설명이 빠르게 이해가 되었다. 그러나 아무리 봐도 예시 코드 없이 코딩 하는건 힘들어 보인다(...)
== 다음 시간에는 ==* Logistic Regression Live Coding?
== 더 보기 ==
내용 ¶
- Logistic Regression(Binary Regression)
- Softmax
- exponential을 쓴다.
- 아래는 Tensorflow API 정의
- exponential을 쓴다.
- exponential은 항상 양의 값을 가지며 단조 증가한다는 특징을 가지기 때문에 확률 계산에 적합하다.
- None
- TensorFlow에서 지원하는 기능
- 예를 들어 784,00개의 데이터를 넣어주면 자동으로 행렬이 100 * 784로 형성된다.
- TensorFlow에서 지원하는 기능
- TensorFlow에서는 행렬과 백터의 합이 지원이 된다.
- 정확히는 m*n 크기의 행렬 A에 n*1의 백터 B를 더하면 m개의 행에 각각 백터 B가 더해진다.
- 정확히는 m*n 크기의 행렬 A에 n*1의 백터 B를 더하면 m개의 행에 각각 백터 B가 더해진다.
- TensorFlow API
- 가장 중요한 것은 graph의 shape
softmax[i, j] = exp(logits[i, j]) / sum(exp(logits[i]))후기 ¶
다음 시간에는 ¶
- Logistic Regression Live Coding?
