일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
Tags
- 서포트벡터머신이란
- fast r-cnn
- DeepLearning
- SVM hard margin
- SVM margin
- TCP
- 논문분석
- SVM 이란
- svdd
- yolo
- pytorch project
- 데이터 전처리
- computervision
- EfficientNet
- pytorch
- libtorch
- RCNN
- CS231n
- Deep Learning
- cs231n lecture5
- support vector machine 리뷰
- darknet
- cnn 역사
- pytorch c++
- Faster R-CNN
- self-supervision
- Computer Vision
- CNN
- yolov3
- Object Detection
Archives
- Today
- Total
목록regression numpy 구현 (1)
아롱이 탐험대
MLE를 활용한 Log-Likelihood Linear Regression 구현 (only numpy)
Data load를 제외한 모든 Linear Regression의 과정들을 python과 numpy만을 사용하여 구현해보았습니다. 개념에 대한 전체적인 내용은 아래 포스트를 참고하시기 바랍니다. https://ys-cs17.tistory.com/73 Code implementation Normalization weight-height.csv 파일을 DataFrame으로 만든 후 해당 함수를 통해 normalization을 진행합니다. 1. Min max normalization def min_max_normalize(df): x = (df['Weight'] - min(df['Weight'])) / (max(df['Weight']) - min(df['Weight'])) y = (df['Height'] - ..
study/Machine Learning
2022. 5. 18. 11:48