연주의 공부 기록

1. Keras 모델을 만드는 여러 가지 표현방법1-1. Sequential 방식import tensorflow as tffrom tensorflow import kerasimport numpy as npimport matplotlib.pyplot as pltmodel = tf.keras.models.Sequential()model.add(tf.keras.layers.Dense(2, input_shape=[2]))model.add(tf.keras.layers.Dense(2))x_1 = tf.constant([1,2])x_2 = tf.constant([[1,2]])model(x_2) model.predict(x_2)model.call(x_2)model.summary() tf.keras.models.Sequ..

1: 기본적인 선형 연산(행렬곱) 시연x = torch.FloatTensor([[1, 2], [3, 4], [5, 6]])y = torch.FloatTensor([[1, 2], [1, 2]])print(x.size(), y.size())z = torch.matmul(x,y)print(z)print(z.size()) x의 크기: (3,2), y의 크기: (2,2).즉, x는 3행 2열, yyy는 2행 2열 행렬.행렬곱: torch.matmul(x, y)결과는 (3,2) 크기인 텐서.이는 선형 변환의 기초적 예시로서, 2차원 입력에 대해 2차원 출력 형태를 얻는 구조.출력 확인: z와 z.s..

1. 라이브러리 및 데이터셋 준비import torchfrom torch import nnfrom torch.utils.data import DataLoaderfrom torchvision import datasetsfrom torchvision.transforms import ToTensor, Lambda, Composeimport matplotlib.pyplot as pltimport numpy as nptorch, torch.nn: Pyorch의 핵심 라이브러리와 신경망 계층 구현을 위한 모듈.torch.utils.data.DataLoader: Dataset을 반복(iteration) 가능한 형태로 감싸는 클래스.torchvision.datasets: 유명한 공개 데이터셋(MNIST, CIFAR 등..

1. 개요 (Introduction)이 예제 코드는 TensorFlow(Keras)를 활용하여 다음과 같은 과정을 시연.MNIST(손글씨 숫자) 데이터셋과 Fashion MNIST 데이터셋 로드데이터 전처리(스케일링, One-hot 인코딩 등)Sequential API, Functional API를 사용한 모델 정의모델 학습 및 평가, 테스트tf.data.Dataset을 이용한 데이터 파이프라인 예시2. 케라스 사용 전 사전학습 (DNN 구조)from IPython.display import Image# 간단한 DNN 구조 예시 이미지 출력Image('https://img1.daumcdn.net/thumb/R1280x0/?scode=mtistory2&fname=https%3A%2F%2Fblog.kakao..

1. Scikit-learn의 Model Selection개념Scikit-learn의 model_selection 모듈은 학습/테스트 데이터 분할, 교차 검증, 하이퍼파라미터 튜닝 등을 위한 다양한 함수와 클래스를 제공함.대표적으로 train_test_split, KFold, StratifiedKFold, GridSearchCV, cross_val_score 등이 있음.1-1. 학습/테스트 데이터 셋 분리 - train_test_split중요성학습 데이터만으로 모델을 학습하고 동일 데이터로 성능을 측정하면, 과적합이 발생할 수 있음.학습 데이터와 테스트 데이터를 분리하여 일반화 성능을 평가하는 것이 필수적임.from sklearn.datasets import load_irisfrom sklearn.tre..

prostate-cancer-grade-assessment(데이터셋 생성): https://github.com/ahxlzjt/MedImagingDL/blob/0583fd20671f79a2785bc398da0b2ca2f1c1cc51/ch04_05_prostate_cancer_grade_assessment.ipynb MedImagingDL/ch04_05_prostate_cancer_grade_assessment.ipynb at 0583fd20671f79a2785bc398da0b2ca2f1c1cc51 · ahxlzjt/MedImagingDL#MedicalDL #CV #AI . Contribute to ahxlzjt/MedImagingDL development by creating an account on Gi..

코드 링크:https://github.com/ahxlzjt/MedImagingDL/blob/55edfd5ed184027a708c9aa1fdf732680390de3f/ch05_06_3d_brain_tumor_segmentation_infe.ipynb MedImagingDL/ch05_06_3d_brain_tumor_segmentation_infe.ipynb at 55edfd5ed184027a708c9aa1fdf732680390de3f · ahxlzjt/MedImagingDL#MedicalDL #CV #AI . Contribute to ahxlzjt/MedImagingDL development by creating an account on GitHub.github.com0. 라이브러리 설치 및 임포트!pip ..

코드 링크: https://drive.google.com/file/d/1BWygf40czY9c2FkDnP0tmHiE3eMJO0c-/view?usp=sharing ch05-05-3d-brain-tumor-segmentation-eda.ipynbColab notebookdrive.google.com0. 설치 및 라이브러리 로드!pip install monai, !pip install natsort로 필요 라이브러리 설치import 구문: numpy, pandas, seaborn, matplotlib, SimpleITK, nibabel 등1. Introduction브레인 종양(Brain Tumor) 세그멘테이션Challenge dataset: Brats 2020Brats는 매년(2023까지) 연속적으로 업데이..

앙상블(Ensemble) 개념 정리앙상블(Ensemble): 여러 개의 모델을 결합해 더욱 높은 예측 성능을 얻는 기법임.Voting: 서로 다른 알고리즘(결정 트리, 로지스틱 회귀, KNN 등)을 조합해, 투표 형태로 최종 예측을 결정함.하드 보팅: 각각 분류기의 최종 결괏값 중 가장 많이 나온 클래스를 선택(다수결)소프트 보팅: 각각 분류기가 예측한 확률을 모두 합산, 평균 낸 뒤 가장 확률 높은 클래스를 선택Bagging: 하나의 알고리즘을 여러 번 학습하되, 중복을 허용하는 샘플링(bootstrap)으로 각 모델을 만듦.RandomForest: Decision Tree를 Bagging 방식으로 여러 개 결합한 모델임. 성능이 우수하고 사용이 쉬움.Boosting: 약한 학습기를 순차적으로 학습하면..

목적: MONAI와 TorchIO를 활용하여 3D 의료 영상을 전처리하고 다양한 증강 기법을 적용하여 모델 학습에 적합한 데이터를 생성1. 라이브러리 설치 및 기본 설정MONAI 설치: 3D 데이터 증강 및 의료 영상 처리에 유용한 기능 제공.!pip install monai필수 라이브러리 임포트: 기본적인 파일 처리 및 시각화를 위한 라이브러리.import numpy as npimport matplotlib.pyplot as pltfrom glob import globfrom pathlib import Pathimport os현재 작업 디렉토리 확인:print(os.getcwd())2. MONAI 라이브러리 상세 임포트 및 설명MONAI 관련 모듈 임포트: 다양한 전처리 및 증강 기법을 위한 MONAI..