군침이 싹 도는 코딩

corr_titanic = df.corrwith( df['Titanic (1997)'] ).to_frame() # Item based collaborative filltering 을 하기 위해서는 먼저 상관관계를 분석해야 한다 먼저 분석하고싶은 영화의 컬럼을 넣어 corrwith로 전체 컬럼과 상관관계를 분석한다 그다음 그것을 데이터 프레임으로 만들어준다 corr_titanic.columns = ['correlation'] # 컬럼의 이름을 correlation으로 고쳐주도록 한다 corr_titanic = corr_titanic.join(ratings_mean_count_df['count']) # 조인함수를 통해 영화 별점의 갯수를 가진 테이블과 붙여준다 corr_titanic.dropna(inplac..

movies_rating_df.head(2) # 피봇 테이블을 통해 데이터프레임의 전체적인 형식을 바꿀수있다 df = movies_rating_df.pivot_table(index='user_id', columns='title', values='rating', aggfunc='mean') df # 피봇 테이블을 통해 index는 유저아이디 columns은 타이틀 values는 레이팅 aggfunc은 평균값으로 바꿨다

import pandas as pd import numpy as np import matplotlib.pyplot as plt import random import seaborn as sns from prophet import Prophet # Prophet 라이브러리를 이용한 Time Series 데이터를 예측하기위해 필요한 라이브러리를 임포트해준다 from google.colab import drive drive.mount('/content/drive') import os os.chdir('/content/drive/MyDrive/Colab Notebooks/ml_plus/data') # 자신의 구글 드라이브와 마운트해주고 작업 폴더를 옮겨준다 df = pd.read_csv('avocado.csv',..

Modelcheckpoint는 에포크 시 마다 가장 좋은 모델을 저장한다 CSVLogger는 에포크 시 마다 기록을 남길 수 있다 if not os.path.exists(PROJECT_PATH + '/checkpoints/'+ model_type +'/') : os.makedirs(PROJECT_PATH + '/checkpoints/'+ model_type +'/') if not os.path.exists(PROJECT_PATH + '/log/'+ model_type +'/') : os.makedirs(PROJECT_PATH + '/log/'+ model_type +'/') # 위 두가지를 저장할 디렉토리를 만들어준다 from keras.callbacks import ModelCheckpoint from..

Fine Tuning 이란 트랜스퍼 러닝을 한 결과를 더 향상 시키기위해 frozen 시켰던 학습 데이터를 다시 학습 가능 상태로 만든 뒤 원하는 만큼을 다시 frozen 해서 모델에 그대로 재 학습 시키는 것이다 base_model.trainable = True # 학습을 다시 시키기위해 trainable 을 True로 바꿔준다 base_model.summary() >>> Conv_1 (Conv2D) (None, 7, 7, 1280) 409600 ['block_16_project_BN[0][0]'] Conv_1_bn (BatchNormalization) (None, 7, 7, 1280) 5120 ['Conv_1[0][0]'] out_relu (ReLU) (None, 7, 7, 1280) 0 ['Conv..

트랜스퍼 러닝이란 잘 만들어진 인공지능 모델을 가져와 ANN만을 뒤에 붙여 우리가 가진 데이터를 학습시키는것이다 이때 트랜스퍼 러닝에 사용할 인공지능 모델은 학습이 불가능하게 만들어야 한다 base_model = tf.keras.applications.MobileNetV2( input_shape= (128, 128, 3), include_top=False) # 위 코드는 텐서플로우의 MobileNetV2 를 사용한다는 뜻이다 모바일넷v2의 인풋 쉐입은 (96,96), (128,128), (160,160), (192,192), (224,224) 만 사용 가능하다 헤드모델을 제외하고 가져오기 위해 파라미터 include_top=False를 써준다 base_model.summary() >>> '''' bloc..

인공지능에게 학습을 시키려면 넘파이로 된 데이터를 주어야한다 이미지를 다운로드 받으면 그것을 바로 넣어주는게 아닌 넘파이로 변환시켜서 넣어줘야한다 ImageDateGenerator 라이브러리를 사용하면 된다 from tensorflow.keras.preprocessing.image import ImageDataGenerator # 라이브러리 임포트 train_datagen = ImageDataGenerator( rescale = 1 / 255.0 ) # 트레인 용 validation_datagen = ImageDataGenerator( rescale = 1 / 255.0 ) # 테스트 용 # ImageDataGenerator라이브러리를 training용과 validation용 변수로 만든다. 파라미터는 ..

# 주피터노트북이나 코랩에서 ! 느낌표부터시작하면 리눅스 명령어를 실행 # wget은 다운로드 !wget --no-check-certificate \ https://storage.googleapis.com/laurencemoroney-blog.appspot.com/horse-or-human.zip \ -O /tmp/horse-or-human.zip # 경로 지정 # 다운로드 코드의 예시 import zipfile # 필요한 라이브러리 임포트 file = zipfile.ZipFile('/tmp/horse-or-human.zip') # 메모리 지정 file.extractall('/tmp/horse-or-human') # 압축을 풀 경로 지정 # 압축풀기 코드의 예시