Machine Learning
deep Learning 과 달리 structured data 가 필요한 학습 모델
2. Machine Learning Model Representation
위 그림의 는 가설 (hypothesis) 을 뜻함
는 입력 데이터 공간 (space), 는 출력 데이터 공간
1 min read
deep Learning 과 달리 structured data 가 필요한 학습 모델
위 그림의 h 는 가설 (hypothesis) 을 뜻함
h:X→YX 는 입력 데이터 공간 (space), Y 는 출력 데이터 공간
...s in POI recommendation primarily focused on feature engineering and conventional (non-deep learning) machine learning-based methods.
...plicit feedback 은 implicit feedback 보다 훨씬 개수가 떨어지기 때문이다. 이 논문에서는 이를 constrained regression라고 부르고, 이러한 방법을 종종 ML 에서는 transfer learning 이라고 부른다. C) Implementation offline model 학습으로 진행했으며, 빠른 학습을 위해 coordinate gradient des...
Covariate Shift covariate shift 는 ML 에서 종종 마주치는 특수한 형태의 데이터 변화를 의미한다. Related References
이 값이 작을수록 모델의 성능이 좋다고 판단합니다. B) Application machine learning 에서 cross-entropy 는 실제 확률 분포와 모델의 예측 분포의 차이 (dissimilarity) 를 계산하는데 활용할 수 있다. cross-entropy 는 상당히 자주 쓰...
Data Mining Applying ML techniques to dig into large amounts of data can help discover patterns that were not immediately apparent. ...
Probabilistic Machine Learning - An Introduction, 4.5: regularization
...(Optimization problems) 란 여러개의 선택가능한 후보 중에서 최적의 해 (Optimal value) 또는 최적의 해에 근접한 값을 찾는 문제를 일컫는다. 일반적으로 machine learning 분야에서는 비용함수 (Cost function) 를 최소화 또는 최대화 시키는 모델의 파라미터 (parameter) 를 구하게 되는데, 이것은 최적화 문제로 정의될 수 있다. B) ...
Reinforcement Learning machine learning 기법 중 하나. B) For RS A Survey on Reinforcement Learning for Recommender Systems C) Related
Machine Learning Engineer로서의 경력, 주요 프로젝트, 논문/수상, PDF 이력서는 resume에서 확인할 수 있습니다.
Covariate Shift covariate shift 는 ML 에서 종종 마주치는 특수한 형태의 데이터 변화를 의미한다. Related References www.seldon.io/what-is-covariate-shift .
Deep Learning Related References.
Cross-entropy 우리가 예측 모형을 build 하는 이유는 불확실성을 제어하고자 하는 것이다. 이때, 예측 모형은 실제 분포인 q 를 모르고, 모델링을 하여 q 분포를 예측하고자 하는 것이다. 예측 모델링을 통해 구한 분포를 p 라고 해보자.
Data Mining Applying ML techniques to dig into large amounts of data can help discover patterns that were not immediately apparent.
Lazy Learning Training data 전체를 메모리상에 보관하면서 test 데이터가 새로 들어왔을 때 바로 학습하는 방법 A.1) 장점 추가적인 학습 시간 없이, 곧바로 학습 결과를 얻을 수 있다.
Metric Learning A.1) 정의 metric learning 은 데이터 포인트 간의 거리를 측정하는 방법을 학습하는 기법입니다.
Inductive Inductive Learning 학습의 목적이 최적의 parameters 를 추정하는 학습을 의미한다. 즉, 모델을 구축하기 때문에 새로운 데이터가 입력으로 들어왔을 때, 알고리즘을 처음부터 재시작할 필요성이 없다.
Eager Learning 일반적인 학습 과정으로, training 데이터로 일정 기간 학습시킨 후, 학습시킨 모델을 기반으로 테스트 데이터를 적용하는 방법 training 데이터는 학습 시에만 메모리에 보관되며 학습 이후에는 training 데이터를 메모리에서 제거한다.
Logistic Loss logistic regression 에서 사용하는 loss function 을 의미한다.
Transductive 학습의 목적이 parameters 가 아닌 학습을 의미한다.즉, 모델을 구축하지 않아서 새로운 데이터가 입력으로 들어왔을 때, 알고리즘을 처음부터 재학습할 필요성이 존재한다.