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 |
Tags
- Machine learning
- BOJ
- Linear Regression
- PIR
- softmax
- deque
- DFS
- 모두를 위한 딥러닝
- 시간초과
- 큐
- join
- ML
- 모두를 위한 머신러닝
- c++
- CSAP
- TensorFlow
- stl
- 알고리즘 고득점 kit
- Neural Network
- 정렬
- 한화오션
- 백준
- Queue
- SQL
- mysql
- Programmers
- sort
- deep learning
- 프로그래머스
- sung kim
Archives
- Today
- Total
목록learning rate (1)
hello, world!
[ML lab 07-1] training/test dataset, learning rate, normalization
[내가 만든 모델이 얼마나 훌륭한지 어떻게 평가할까?] training datasets을 통해 평가하는 것은 좋은 방법이 아니다. dataset을 training set과 test set으로 나누는 것이 핵심! training dataset: 모델을 학습시킬 때 사용한다. test dataset: 학습된 모델의 성능을 계산할 때 사용한다. import tensorflow.compat.v1 as tf tf.disable_v2_behavior() # training data # 모델을 학습시킬 때만 사용 x_data = [[1, 2, 1], [1, 3, 2], [1, 3, 4], [1, 5, 5], [1, 7, 5], [1, 2, 5], [1, 6, 6], [1, 7, 7]] y_data = [[0, 0, ..
AI/모두를 위한 ML (SungKim)
2021. 2. 20. 16:41