별은_StarIs_Dev

목적 - 콘크리트 이미지가 정상인지 비정상인지 분류하는 모델을 만들자 1. 필요한 라이브러리 불러오기import osimport shutilimport tensorflow as tfimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom tensorflow.keras.applications.mobilenet_v2 import MobileNetV2, preprocess_inputfrom tensorflow.keras.preprocessing.image import ImageDataGenerator, img_to_array, load_imgfrom tensorflow.keras.callbacks import EarlyStopping, ..

목적 - 꽃이미지를 분류하는 모델을 만들어보자(MobileNetV2 사용) 1. 필요한 라이브러리 불러오기import osimport tensorflow as tffrom tensorflow.keras.preprocessing.image import ImageDataGenerator, img_to_array, load_imgimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint, ReduceLROnPlateau 2. 이미지 폴더 생성# 꽃 종류 리스트categories = ['daisy', 'dandelion', '..

목표 - 영화 리뷰를 입력받아 긍정(1)/부정(0)의 감정을 예측 1. 라이브러리 설치 및 불러오기!pip install transformersimport tensorflow as tfimport torchimport pandas as pdimport numpy as npimport randomimport timeimport datetime 2. BERT 관련 라이브러리 불러오기from transformers import BertTokenizer, BertForSequenceClassification, AdamW, BertConfigfrom transformers import get_linear_schedule_with_warmupfrom torch.utils.data import TensorDatase..

목적 - 문장에 대한 감정을 분류하자 - BERT를 사용한 TEXT 분류 1. 필요한 라이브러리 설치 및 불러오기 - 주요 라이브러리!pip install transformers sklearn pandas numpy torch keras#transformers : BERT 모델과 토크나이저 제공#sklearn : 데이터 전처리 및 모델 평가#pandas, numpy : 데이터 처리 및 수학 연산#torch : 딥러닝 모델 학습#keras.preprocessing.sequence.pad_sequences : 배치 데이터 패딩 import pandas as pdimport numpy as npimport torchimport randomimport timeimport datetimeimport matplot..

Tabularhttps://star-is.tistory.com/39https://star-is.tistory.com/40https://star-is.tistory.com/41 Texthttps://star-is.tistory.com/43https://star-is.tistory.com/44 Imagehttps://star-is.tistory.com/45https://star-is.tistory.com/46 학습 데이터가 필요하면 댓글 문의Tabular Data - 당뇨병에 걸릴 확률 회귀

목적 - 당뇨병에 걸릴 확률을 예측해보자 (회귀) 1. 데이터 불러오기import pandas as pdtrain = pd.read_csv('./data_folder_reg/diabetes_reg_train.csv')test30 = pd.read_csv('./data_folder_reg/diabetes_reg_test30.csv')  2. 데이터 분할x = train.drop(columns=['target']) # 특징(Feature) 변수들y = train['target'] # 예측할 대상(Target) 변수from sklearn.model_selection import train_test_splittrain_x, test_x, train_y, test_y = train_test_split(x, y..