AI_파이썬_언어지능_dll_binary_nn
import torch# 학습 데이터 (입력과 출력) 선언x_train = torch.FloatTensor([[1, 1], [2, 2], [3, 3], [4, 4], [5, 3], [6, 2], [8, 1]]) # 입력 데이터y_train = torch.FloatTensor([[0], [0], [0], [1], [1], [1], [0]]) # 출력 데이터 (0 또는 1)# 각 레이어에 사용할 노드 개수 설정nH1 = 10 # 첫 번째 은닉층 노드 수nH2 = 5 # 두 번째 은닉층 노드 수nH3 = 8 # 세 번째 은닉층 노드 수# 가중치와 편향 초기화# w_h1, b_h1: 입력층에서 첫 번째 은닉층으로 가는 가중치와 편향w_h1 = torch.randn([2, nH1], requires_..
AI_파이썬_언어지능_XOR_binary
import torch# 학습 데이터 (XOR 문제)x_train = torch.FloatTensor([[0, 0], [0, 1], [1, 0], [1, 1]]) # 입력값y_train = torch.FloatTensor([[0], [1], [1], [0]]) # 출력값# 히든 레이어 뉴런 수nH1 = 3# 히든 레이어 가중치와 바이어스w_h = torch.randn([2, nH1], requires_grad=True) # 히든 레이어의 가중치b_h = torch.randn([nH1], requires_grad=True) # 히든 레이어의 바이어스# 출력 레이어 가중치와 바이어스w_o = torch.randn([nH1, 1], requires_grad=True) # 출력 레이어의 가중치b_..
AI_파이썬_언어지능_nn_binary
import torch# 입력 데이터 (0,0), (0,1), (1,0), (1,1)x_train = torch.FloatTensor([[0, 0], [0, 1], [1, 0], [1, 1]])# 정답 (XOR 연산의 결과)y_train = torch.FloatTensor([[0], [1], [1], [0]])# 히든레이어의 크기 설정nH1 = 3# 히든레이어의 가중치와 바이어스w_h = torch.randn([2, nH1], requires_grad=True) # 입력에서 히든레이어로 가는 가중치b_h = torch.randn([nH1], requires_grad=True) # 히든레이어 바이어스# 출력레이어의 가중치와 바이어스w_o = torch.randn([nH1, 1], requires_..
AI_파이썬_언어지능_dll_linearregression
import torchx_train = torch.FloatTensor([[1,1], [2,2], [3,3]]) # 파이토치 trin 선언 방식y_train = torch.FloatTensor([[10], [20], [30]])w = torch.randn([2,1], requires_grad=True) # 행렬 곱셈을 위한 W, B 생성 방식b = torch.randn([1], requires_grad=True)optimizer = torch.optim.SGD([w, b], lr=0.01) # 모델의 옵티마이져를 지정.# 딥러링 1단계 모델을 만든다 Model Setupdef H(x): model = torch.matmul(x, w) + b # 모델을 선언 ..
AI_파이썬_언어지능_dll_binaryclassification2
import torch# 학습할 데이터 (입력 값과 정답)x_train = torch.FloatTensor([[1,1], [2,2], [3,3],[4,4],[5,3],[6,2],[8,1]]) y_train = torch.FloatTensor([[0], [0], [0],[1],[1],[1],[0]])# 가중치와 바이어스를 랜덤으로 생성w = torch.randn([2,1], requires_grad=True) # 가중치b = torch.randn([1], requires_grad=True) # 바이어스# 경사 하강법으로 가중치와 바이어스를 업데이트할 방법을 지정optimizer = torch.optim.SGD([w, b], lr=0.01)# 모델 함수: x 값에 대해 예측 값을 계산def ..
AI_파이썬_언어지능_dll_binaryclassification
import torchx_train = torch.FloatTensor([[1,1], [2,2], [3,3],[4,4],[5,3],[6,2]]) # 파이토치 trin 선언 방식y_train = torch.FloatTensor([[0], [0], [0],[1],[1],[1]])w = torch.randn([2,1], requires_grad=True) # 행렬 곱셈을 위한 W, B 생성 방식b = torch.randn([1], requires_grad=True)optimizer = torch.optim.SGD([w, b], lr=0.01) # 모델의 옵티마이져를 지정.# 딥러링 1단계 모델을..
AI_파이썬_언어지능_Similarity_jaccard
import numpy as npfrom sklearn.metrics import accuracy_score# 첫 번째 비교: 두 배열이 얼마나 일치하는지 확인# np.array를 사용하여 배열을 만든다. 첫 번째 배열: [1, 3, 2], 두 번째 배열: [1, 4, 5]# accuracy_score 함수는 두 배열을 비교하여 일치하는 값의 비율(정확도)을 계산한다.print(accuracy_score(np.array([1, 3, 2]), np.array([1, 4, 5])))# 결과: 1/3 (3개 중 1개만 일치함)# 두 번째 비교: 배열의 일치도를 다른 예로 확인# 첫 번째 배열: [1, 3, 2], 두 번째 배열: [4, 1, 5]print(accuracy_score(np.array([1, 3,..
AI_파이썬_언어지능_KNN.ipynb
#[KTAIVLE#6]KNN (김영인)import numpy as npgroup_a = np.zeros((15,2)) # 앞은 값은 샘플 수, 뒤에 값은 샘플의 디멘션 값group_b = np.zeros((15,2)) # 앞은 값은 샘플 수, 뒤에 값은 샘플의 디멘션 값group_c = np.zeros((15,2)) # 앞은 값은 샘플 수, 뒤에 값은 샘플의 디멘션 값# 각 그룹마다 랜덤 값을 부여함# a는 100 ~ 200 사이의 실수 값# b는 0 ~ 50# c는 x축은 100 ~ 200 실수 값, y축은 0 ~ 50 사이의 실수 값group_a[:] = np.random.uniform(100, 200, size=group_a.shape)group_b[:] = np.random.uniform(0, 5..
