[TIL - 72일 차] 음식 배달에 걸리는 시간 예측하기 (1)오늘 강의는 "선형대수 기초"이지만, 이미 대학교에서 강의를 수강하기도 했고 수식이 많아 모두 정리하기에 무리가 있어 학습은 영상으로만 진행하였다. 대신에 머신러닝 과제인 "음식 배달에sanseo.tistory.com이전에 문제 이해와 데이터 전처리, 하이퍼 파라미터 튜닝 코드까지 작성해 보았다. 그러나 학습 시간이 생각보다 오래 걸려 KFold를 사용하지 않은 방법으로 사용해보려고 한다. 또한 테스트 데이터의 예측과 under_prediction의 비율도 확인해 보자.음식 배달에 걸리는 시간 예측하기진행 과정하이퍼 파라미터 튜닝KFold (교차 검증) 부분을 삭제하고 train_test_split 사용실행 결과최소 rmse : 729.44..
오늘 강의는 "선형대수 기초"이지만, 이미 대학교에서 강의를 수강하기도 했고 수식이 많아 모두 정리하기에 무리가 있어 학습은 영상으로만 진행하였다. 대신에 머신러닝 과제인 "음식 배달에 걸리는 시간 예측하기"를 진행한 내용을 TIL에 적어보려고 한다.음식 배달에 걸리는 시간 예측하기문제 이해실습 문제 소개목표 : 음식 배달에 걸리는 시간 예측하기이유 : 배달 시간을 정확히 예측하는 것은 사용자의 경험에 많은 영향을 미침사용자의 경험 under-prediction : 예측된 배달 시간보다 실제 배달 시간이 더 걸린 경우over-prediction : 예측된 배달 시간보다 실제 배달 시간이 덜 걸린 경우under-prediction이 over-prediction보다 두 배로 사용자의 경험에 안 좋은 영향을..
머신러닝 기초머신러닝 (기계 학습)Machine Learning경험을 통해 자동으로 개선하는 컴퓨터 알고리즘 연구학습 데이터입력 벡터 : x1, x2, ..., xn목표 값 : t1, t2, ..., tn머신러닝 알고리즘의 결과는 목표 값을 예측하는 함수 y(x)y(x1) ~ t1, y(x2) ~ t2, ..., y(x3) ~ t3예제 : 숫자 인식 (MNIST)입력 벡터 : 이미지 Color Matrix (아래 이미지 예시 참고)목표 값 : 이미지가 나타내는 수핵심 개념학습 단계 (Training, Learning Phase) : 함수 y(x)를 학습 데이터에 기반해 결정하는 단계테스트 데이터셋 : 모델을 평가하기 위해 사용하는 별도의 데이터일반화 (Generalization) : 모델이 새로운 데이터..
데브코스 3차 기간 동안의 회고3차 기간 : 2024.06.03 ~ 2024.06.30잘한 점프로젝트 오프라인 진행데브코스 2차 팀 기간에서 잘한 점 중 하나가 멘토님과 팀원들을 직접 만나 이야기해 본 것이었다. 그래서 3차 프로젝트를 할 때, 여건이 된다면 오프라인으로 프로젝트를 진행하고 싶었다. 그래서 프로젝트 팀 구성을 할 때, 오프라인이 생각 있는 사람 위주로 결성을 하게 되었다. 개인 일정이나 거주지 이슈로 모든 사람들과 오프라인으로 진행할 수는 없었지만, 온라인으로만 진행하는 것보다는 이점이 있다는 것을 느낄 수 있었다.나의 의견에 대한 즉각적인 피드백이 가능하다.프로젝트 이해나 친목을 도모하기에 유리하다.최종 프로젝트는 프로그래머스의 강의장을 오픈하여 오프라인으로 프로젝트를 진행할 수 있다...
