연주의 공부 기록

목적: 병리학 데이터를 읽고 시각화1. 라이브러리 설치 및 모듈 임포트!apt-get install openslide-tools!pip install openslide-pythonimport osfrom pathlib import Pathfrom openslide import OpenSlidefrom pprint import pprintimport matplotlib.pyplot as pltopenslide-tools: 병리학 데이터(W.S.I)를 읽기 위한 C 기반 도구.openslide-python: OpenSlide 라이브러리의 Python 바인딩으로 이미지 데이터 처리 지원.os: 파일 크기 확인 및 경로 작업에 사용.Path: 파일 경로 탐색.OpenSlide: 병리학 데이터(W.S.I) 파일 ..

(실습1) 목적: Dicom 데이터를 로드하고 시각화1. 라이브러리 설치!pip install pydicom!pip install scikit-image!pip install natsort!pip install nibabel!pip install dicom2niftipydicom: Dicom 파일을 처리.scikit-image: montage를 사용해 여러 이미지를 2D 배열로 결합. natsort: 자연 정렬을 위한 라이브러리로, 파일 이름의 숫자 순서를 올바르게 정렬 .nibabel: NIfTI 파일을 로드하고 처리하는 라이브러리. dicom2nifti: DICOM 데이터를 NIfTI 형식으로 변환.2. Dicom 파일 경로 설정 및 리스트 생성BASE_PATH = '/content/drive/MyD..

1. 데이터 로드 및 전처리(1) Google Drive 연동 & CSV 파일 로드import pandas as pdimport numpy as npnp.set_printoptions(suppress=True) # 지수표현(e) 대신 일반 숫자로 표현from google.colab import drivedrive.mount('/content/drive')dir_path = '/content/drive/MyDrive/Colab Notebooks/1_Code_OUTTA/1_Alpha_ML_TO_DL_241208/1_Shared_Alpha_ML_TO_DL/4_Alpha_Machine_Learning/4_ML_Resources/Resources/12_회귀모델_데이터/'data = pd.read_..

1. Logistic Regression (로지스틱 회귀)개념:이진 분류에 사용되는 통계 기반 머신러닝 모델.독립 변수의 선형 결합을 사용하여 사건 발생 확률을 예측.클래스가 2개 이상일 경우 OvR(One-vs-Rest) 또는 OvO(One-vs-One) 전략을 사용.from sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import accuracy_score# 모델 선언 및 학습model = LogisticRegression(random_state=0)model.fit(x_train, y_train)# 예측 및 평가pred = model.predict(x_valid)print("정확도:", accuracy_score(y_vali..

1. Pytorch1. Pytorch 개요Tensorflow와 함께 딥러닝에서 가장 널리 사용되는 Python 기반 프레임워크.New York University와 Facebook이 개발.장점:동적 그래프 지원: 실행 시마다 네트워크 구조 변경 가능.Numpy와 유사한 문법: 배우기 쉽고 Pythonic.2. Tensor (기본 자료 구조)2.1 Tensor 생성import torch# 리스트/배열로 생성t1 = torch.tensor([[1, 2], [3, 4]])print(t1)# 기본 텐서 생성 함수t2 = torch.ones((2, 3)) # 1로 채우기t3 = torch.zeros((2, 3)) # 0으로 채우기t4 = torch.full((2, 3), 5) # 특정 값..

4. Iris 데이터셋from sklearn.model_selection import train_test_split# 데이터 분리X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, stratify=y, random_state=42) train_test_split:데이터를 훈련(train)과 테스트(test)로 분리.test_size: 테스트 데이터 비율(0.2 = 20%).stratify=y: 클래스 비율을 고르게 유지(필수!).random_state=42: 실행마다 동일한 결과를 보장.암기 포인트:train_test_split의 매개변수.stratify는 반드시 사용하여 데이터 분포가 유지되도록 설정.5. 타이타닉 데..