분류 전체보기150 반응형 Matrix에서 행별로 다른 칼럼에 있는 data가져오기 out_prob 2018. 4. 27. R로하는 강화학습 (DQN) (Keras) library(keras) #####DQN Modelmodel % layer_dense(units = 256, activation = 'relu', input_shape = c(100)) %>% layer_dropout(rate = 0.4) %>% layer_dense(units = 128, activation = 'relu') %>% layer_dropout(rate = 0.3) %>% layer_dense(units = 4, activation = 'linear') summary(model) model %>% compile( loss = 'mean_squared_error', optimizer = optimizer_rmsprop()) ####### Target Network Modeltarget_qn.. 2018. 4. 27. R로 하는 강화학습 (DQN) (Base R Code) #############함수 정의 ## relu함수relu0,x,0)} ## Neural Network FeedForwardnn.ff2 2018. 4. 23. LightGBM 설치하기 이틀동안 삽질 끝에 lightgbm 설치성공.. kaggle과 같은 데이터분석 대회에서 항상 높은 순위를 기록하는 Gradient Boosting. 그 중에서도 Xgboost와 LightGBM이 자주 쓰이는데 Xgboost는 그냥 install.packages("xgboost")만 하면 자동으로 설치해주는데. LightGBM은... 설치가 그리 단순하지 않습니다.ㅠㅠ 삽질과 삽질을 하면서 설치한거라. 제가 한과정에서 필수적인 과정이 아닌 것도 존재할 수 있습니다. 기본적인 설치법은 https://github.com/Microsoft/LightGBM/tree/master/R-package 이곳에 있습니다. 사실 이곳에 있는 글 그대로 하면 아마도?? 무난히 설치 될것...입니다. 우선 설치해야하는것 1. .. 2018. 4. 22. Keras R Accuracy History 보기 batch_size % layer_conv_2d(filter = 32, kernel_size = c(3,3)) %>% layer_activation("relu") %>% # Use max pooling once more layer_max_pooling_2d(pool_size = c(2,2)) %>% layer_dropout(0.25) %>% # Flatten max filtered output into feature vector # and feed into dense layer layer_flatten() %>% layer_dense(512) %>% layer_activation("relu") %>% layer_dropout(0.5) %>% # Outputs from dense layer are proj.. 2018. 4. 21. data.table 패키지 ###### data.table 패키지는 대용량 데이터 처리를 매우 빠르게 처리시켜주는 패키지입니다.###### 데이터 전처리하는데에 매우 도움을 주는 패키지이니 숙지하고 계시면 편합니다. ###########original 방법mtcars[1:2,] ## 1행부터 2행까지 출력, (열은 전부)mtcars[1:2,c(3,5)] ##1행부터 2행까지 열은 3열과 5열 출력mtcars[mtcars$mpg >30,] ## mpg가 30초과인 행, 열은 전부mtcars[mtcars$mpg > 30 & mtcars$cyl == 4, 10:11] ##mpg가 30초과이면서 cyl이 4인 행 그리고 열은 10부터 11열까지 tapply(mtcars$mpg, mtcars$am, mean) ## am 그룹 별 평균agg.. 2018. 4. 20. Matlab imgae 파일 R로 불러들이기 # install.packages("R.matlab")library(R.matlab)library(jpeg) setwd("D:\\Train_image_input") ## matlab 파일경로file 2018. 4. 12. [딥러닝 논문 리뷰] Entity Embeddings of Categorical Variables 이번에 포스팅할 논문은 Entity Embeddings of Categorical Variables 이라는 논문인데 2016년 4월에 Arxiv에 올라왔습니다. 아직까지는 인용수 7회에 그치고있지만, 개인적인 생각이지만 조만간 뜰 것(??) 같은 논문입니다. 최근 수년간 계속 딥러닝이 발전해오고 있다는 사실은 누구도 부정할 수 없습니다. Classification, Detection, Captioning, Generation, 강화학습까지 딥러닝이 많은 분야에서 활용 되고 있습니다. 그러나 Classification 분야에서 이미지 또는 텍스트를 제외한 일반적인 분야에서는 딥러닝이 엄청 잘 먹히는 것은 아닙니다. 이는 Kaggle대회의 수상자들의 알고리즘만 봐도 알 수 있죠. 대부분 Xgboost, Li.. 2018. 4. 8. 이전 1 ··· 14 15 16 17 18 19 다음
