일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 |
- 데이터전처리
- 시각화
- 데이터 분석
- python기초
- SQL예제
- Deep Learning
- 데이터 수집
- 머신러닝
- 회귀모델
- python
- 정확도
- 데이터
- MariaDB
- keras
- sql
- sklearn
- 훈련
- 데이터베이스
- 데이터 가공
- 오라클
- tensorflow
- pandas
- HeidiSQL
- Database
- 예측
- 딥러닝
- pythone
- DB
- 해석
- Oracle
- Today
- Total
목록예측 (8)
코딩헤딩

https://coding-heading.tistory.com/109 [시계열분석] 주식데이터 주가예측 (ARIMA, auto_arima) * 라이브러리 정의 import pandas as pd import datetime import matplotlib.pyplot as plt # 시각화 라이브러리 및 마이너스 기호설정 import platform from matplotlib import font_manager, rc # 마이너스 기호 및 한글 설정 # - 마 coding-heading.tistory.com 저번 글과 이어집니다. * Best Model을 이용해서 잔차 확인 - 잔차 : 실제값과 예측값과의 차이 - 잔차 검정 : 정상성, 정규성 등을 만족하는지 확인하는 검정 - 검정하는 함수 : sum..

* 이미지 증식을 하는 이유???? - 이미지를 이용하여 모델 훈련 시 데이터 확보가 어려운 경우 수행 - 기존 이미지 훈련모델의 성능이 낮은 경우에 데이터를 증가시키고자 할 때 사용 - 이미지 증식은 하나의 원본 이미지의 형태를 랜덤 하게 변형시켜 많은 양의 이미지를 생성 가능 * 사용할 라이브러리 정의 ### 이미지 증식에 사용되는 라이브러리 from keras.preprocessing.image import ImageDataGenerator ### numpy배열을 이미지로 변환하는 라이브러리 from keras.preprocessing.image import array_to_img ### 이미지를 numpy 배열로 변환하는 라이브러리 from keras.preprocessing.image impor..

https://coding-heading.tistory.com/104 Deep learning[딥러닝] YOLO 객체탐지 네트워크 가중치 모델 사용 https://coding-heading.tistory.com/103 Deep learning[딥러닝] YOLO 객체탐지 네트워크 기초 - "욜로"라고 칭한다. - 한 개의 네트워크(계층, 모델 같은 의미로 칭함)에서 객체(물체, 사물)를 탐지 - 탐지된 개체의 coding-heading.tistory.com 이전 글에서는 정적인 이미지에서 객체를 탐지하는 프로그램을 만들었는데 이번에는 카메라에서 들어오는 동영상을 처리하는 프로그램을 해보겠다. ### 사용할 라이브러리 import cv2 import numpy as np * 데이터 읽어 들이기 VideoSi..

https://coding-heading.tistory.com/103 Deep learning[딥러닝] YOLO 객체탐지 네트워크 기초 - "욜로"라고 칭한다. - 한 개의 네트워크(계층, 모델 같은 의미로 칭함)에서 객체(물체, 사물)를 탐지 - 탐지된 개체의 영역(바운딩 박스-사각형)과 객체의 이름(사람, 고양이, ...)을 표시해 주는 coding-heading.tistory.com 이전 글과 이어집니다. - yolov3.weights : 이미 훈련된 모델의 가중치 데이터 파일 - yolov3.cfg : yolo모델 매개변수 설정 파일 - coconames : 인식(감지)된 객체의 레이블 명칭(이름)이 저장된 파일 * DNN(심층신경망) 모델을 사용하여 모델 세팅하기 net = cv2.dnn.rea..

https://coding-heading.tistory.com/84 [ML(머신러닝)] 머신러닝 기초 3-2 https://coding-heading.tistory.com/83 [ML(머신러닝)] 머신러닝 기초 3-1 - 정의된 변수 이름은 없음 - 훈련데이터 : 훈련(fit)에 사용되는 데이터 : (훈련 독립변수) train_input, train-x, X_train : (훈련 종속변수) tra coding-heading.tistory.com 위 글과 이어집니다. 1. 데이터 수집 2. 독립변수 2차원과 종속변수 1차원 데이터로 취합 3. 훈련, 검증, 테스트 데이터로 섞으면서 분리 -----------3번 후 정규화 진---------- 4. 훈련, 검증, 테스트 데이터 중에 독립변수에 대해서만 정규..

https://coding-heading.tistory.com/83 [ML(머신러닝)] 머신러닝 기초 3-1 - 정의된 변수 이름은 없음 - 훈련데이터 : 훈련(fit)에 사용되는 데이터 : (훈련 독립변수) train_input, train-x, X_train : (훈련 종속변수) train_target, train_y, Y_ train - 검증데이터 : 훈련 정확도(score)에 사 coding-heading.tistory.com 위 글과 이어집니다. * 머신러닝, 딥러닝에서 사용하는 테이터 분류기 함수 from sklearn.model_selection import train_test_split - 랜덤 하게 섞으면서 두 개(훈련 : 테스트)의 데이터로 분류함 train_input, test_inp..

- 정의된 변수 이름은 없음 - 훈련데이터 : 훈련(fit)에 사용되는 데이터 : (훈련 독립변수) train_input, train-x, X_train : (훈련 종속변수) train_target, train_y, Y_ train - 검증데이터 : 훈련 정확도(score)에 사용되는 데이터 : (검증 독립변수) val_input, val-x, X_val : (검증 종속변수) val_target, val_y, Y_ val - 테스트데이터 : 예측(predict)에 사용되는 데이터 : (테스트 독립변수) test_input, test-x, X_test : (테스트 종속변수) test_target, test_y, Y_ test 앞으로 변수의 이름은 위와 같이 통일한다. 1. 훈련과 테스트를 비율로 먼저 나누..