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 | 31 |
- ggplot
- 하둡
- 데이터처리
- 데이터시각화
- 그래프
- word2vec
- R그래프
- 머신러닝
- AI
- 딥러닝
- 기계학습
- 그래프시각화
- NLP
- R시각화
- 데이터분석
- R프로그래밍
- Python
- 주가예측
- 데이터
- 자연어처리
- CNN
- HIVE
- Deeplearning
- pandas
- 빅데이터처리
- Hadoop
- r
- lstm
- SQL
- 빅데이터
- Today
- Total
목록딥러닝 (20)
욱이의 냉철한 공부
* 참고자료 및 강의 - cs231n 우리말 해석 강의 https://www.youtube.com/watch?v=y1dBz6QPxBc&list=PL1Kb3QTCLIVtyOuMgyVgT-OeW0PYXl3j5&index=6 - Coursera, Andrew Ng교수님 인터넷 강의 * 목차 1. 모델 발전 개요 2. 모델1 : LeNet-5 3. 모델2: AlexNet 4. 모델3 : ZFNet 5. 모델4 : VGG 6. 모델5 : GoogLeNet 7. 모델6 : ResNet 8. 모델7 : DenseNet 1. 모델 발전 개요 - 모델 목표 더 깊은 네트워크를 만들면서, 성능을 높여간다. - 모델 목표를 위해 중요한 것. HOW? 어떻게 학습능력을 높여서 더 깊은 네트워크를 학습했는가? -..
* 출저 본 개념정리는 제 담당교수님이신 연세대학교 정보대학원 김하영 교수님 수업과 Andrew Ng 교수님의 Coursera 수업을 통해 얻은 정보를 통해 정리했습니다. 자료는 Andrew Ng 교수님의 Coursera 수업자료입니다. * 목차 1. Logistic Regression as a Neural Network 2. Logistic Regression 가중치 초기화 3. Logistic Regression 경사하강법 1. Logistic Regression - Logistic Regression 개요 선형 회귀에서 금액과 채무불이행을 직선의 방정식으로 표현한다는 가설 하에, 주어진 데이터로부터 가중치 W(weight)와 편향 b(bias)를 찾아 데이터를 가장 잘 표현하는 직선을 찾았다. 그런..
* 참고자료 및 강의 - cs231n 우리말 해석 강의 https://www.youtube.com/watch?v=y1dBz6QPxBc&list=PL1Kb3QTCLIVtyOuMgyVgT-OeW0PYXl3j5&index=6 - Coursera, Andrew Ng교수님 인터넷 강의 * 목차 1. 모델 발전 개요 2. 모델1 : LeNet-5 3. 모델2: AlexNet 4. 모델3 : ZFNet 5. 모델4 : VGG 6. 모델5 : GoogLeNet 7. 모델6 : ResNet 8. 모델7 : DenseNet 1. 모델 발전 개요 - 모델 목표 더 깊은 네트워크를 만들면서, 성능을 높여간다. - 모델 목표를 위해 중요한 것. HOW? 어떻게 학습능력을 높여서 더 깊은 네트워크를 학습했는가? -..
* 논문 Deep Learning for Stock Prediction Using Numerical and Textual Information, 2016 * 목차 1. 입력데이터 2. 출력데이터 3. 모델링 4. Trading simulation 5. contribution 6. 한계점 0. 방향성 Many of previous works used only one of textual, numerical, or image information for stock price prediction, and their model was trained with consideration about a single company. Nevertheless, it is desirable for the prediction m..
* 논문 Recurrent Convolutional Neural Kernel Model for Stock Price Movemoent Prediction, 2019 * 목차 1. 입력데이터 2. 출력데이터 3. 모델링 4. Trading simulation 5. 평가 6. contribution 7. 한계점 1. 입력 데이터 - 입력 데이터 대상 기업(7개) : Randomly select, by Chinese A-share market => 각각 독립적인 모델링 설계 - 입력 데이터 종류 : 일 단위 1. 정량적데이터(거래데이터 및 기술지표) : 시가, 종가, 고가, 저가, 거래량, 기술지표(10개) 2. 텍스트데이터 : 사용자 생각이 담긴 Comment - 입력 데이터 기간 1. 정량적데이터 : 20..
* 논문 Predict Stock Price with Financial News Based on Recurrent Convolutional Neural Network, 2017 1. 입력 데이터 - 입력 데이터 대상 대만증시(1개) : Taiwan Stock Exchange(TWSE) 기업(4개) : TSMC, Hon Hai Precision Industry(Foxconn Technology Group), China Steel Corporation(CSC), Graffe King Bio => 각각 독립적인 모델링 설계 - 입력 데이터 종류 : 일 단위 일 단위의 거래데이터(종가)와 텍스트데이터(뉴스제목) 사용 - 입력 데이터 기간 1. 종가데이터 : 2007-06-21 ~ 2017-02-13, 2,397..
* 출저 본 개념정리는 제 담당교수님이신 연세대학교 정보대학원 김하영 교수님 수업과 Andrew 교수님의 Coursera 수업을 통해 얻은 정보를 통해 정리했습니다. 자료는 Andrew 교수님의 Coursera 수업자료입니다. * 목차 1. 인공지능, 기계학습(머신러닝), 딥러닝 2. 기계학습(머신러닝)의 종류 3. 기계학습(머신러닝)의 개요 4. 딥러닝의 개요 3. 딥러닝의 hidden layer의 효과 1. 인공지능, 머신러닝, 딥러닝 - 인공지능 (Artificial Intelligence) 1) 사람처럼 의사결정할 수 있는 지능이 있는 것 2) 기계에 지능이 있는 것처럼 만들어 주는 것 - 기계학습 (Machine Learning) 1) 일종의 소프트웨어 개발자 및 전문가가 일일이 정하지 않고..
* Word Representation 관점 (Word Embedding) 1. Discrete Representation : Local Representation 1) One - hot Vector - One - hot Vector 2) Count Based - Bag of Words (BoW) - Document-Term Matrix (DTM) - (TDM) - Term Frequency-Inverse Document Frequency (TF - IDF) - N-gram Language Model (N-gram) 2. Continuous Representation 1) Prediction Based (Distributed Representation) - Neural Network Language ..