자바스크립트 머신러닝 TensorFlow.js

1. TensorFlow.js 개요: TensorFlow.js, TensorFlow.js 사용 형태

2. TensorFlow.js 구성-1

3. TensorFlow.js 구성-2

4. TensorFlow.js 활용 데모: 이미지 분류, 게임 컨트롤, 사용 가능 모델, 이미지 기반 모델, 오디오 모델

1. Tensor와 Flow 개념

2. Tensor 계산

3. 역전파

4. tf.Tensor 구조: 값 관련 용어, Tensor 생성

1. 벡터: 벡터 형태, 벡터 덧셈, 벡터 브로드캐스팅

2. 벡터 내적, 외적

3. 행렬: 행렬 형태, 행렬 덧셈, 행렬 브로드캐스팅

4. 행렬 곱하기, 행렬 나누기, 행렬 내적 곱셈

1. 모델 학습 단계

2. 데이터 세트: 학습 데이터 세트, 검증 데이터 세트, 테스트 데이터 세트

3. 데이타와 모델 변수 정의

4. 예측 모델, 손실함수, 평균제곱오차, 옵티마이저

5. 모델 학습

6. 모델 테스트, 모델 평가, 튜닝, 배포

1. 선형/비선형, 선형 회귀, 선형 회귀 모델 가설

2. 학습 측정 기준, 비용 함수, 효용 함수

3. 두 점 사이 거리, L1 Norm, L2 Norm

4. 표준편차: 편차, 분산, 표준편차, 잔차

5. 손실함수, 손실함수 패널티, 평균제곱오차, 평균제곱오차 계산

6. 손실함수 값 코드

7. L1 손실함수, L2 손실함수

8. Huber 손실함수, Pseudo-Huber 손실함수

1. 경사 하강법 개요, 경사, 기울기, 경사 하강법 전제

2. 기울기: 기울기와 미분, 수렴, 수렴과 극한

3. 기울기와 평균 변화율: 변화량, 증분, 기울기, 평균변화율, 기울기 계산

4. 기울기 변화, 기울기와 학습시간, 미분과 모델 학습

5. 학습률: 스텝 사이즈, 반복 횟수, 발산

1. 배치 경사 하강법: 학습 데이터 사용 형태, 배치 경사 하강법의 장단점

2. 배치 사이즈, 에폭, 아웃라이어, 붓꽃 데이터 세트

3. 확률적 경사 하강법, 손실함수 값 비교

4. 미니배치 경사 하강법, 미니배치 경사 하강법 장점

5. 배치 사이즈와 학습률

1. 옵티마이저 개념: 지역, 전역 최솟값, 지역 최솟값 벗어나기, 옵티마이저 목적, 옵티마이저 논리

2. Momentum, Nesterov 옵티마이저

3. AdaGrad, AdaDelta 옵티마이저

4. RMSProp, Adam, AdaMax 옵티마이저

1. 개요, L1 정규화, L1 정규화 모델 코드

2. Ridge, Elastic Net 회귀

1. 로지스틱 회귀 예측 기준: 클래스, 정규화, 로직스틱 회귀

2. 시그모이드 함수

3. 로지스틱 회귀 분류: 로지스틱 회귀 가설, 로지스틱 회귀 분류 논리, 손실함수, 손실함수 특징

4. 결정 경계, 로지스틱 회귀 모델, 로지스틱 회귀 예측

1. 활성화 함수 처리 흐름, 반환 값 형태, TF.js 코드 형태

2. hardSigmoid, step 활성화 함수

3. ReLU, LeakyReLU, ReLU6 활성화 함수

4. softplus, tanh, softsign 활성화 함수

5. ELU, SELU 활성화 함수

1. 소프트맥스 회귀 개요, 확률로 접근, 소프트맥스 회귀 확률

2. 소프트맥스 함수 개요, 소프트맥스 함수 특징, 확률 계산 방법

3. One-Hot 인코딩, One-Hot 인코딩 코드

4. 소프트맥스 회귀 손실함수, 소프트맥스 회귀 모델

5. 소프트맥스 회귀 모델 코드

1. MNIST 데이터 세트, MNIST 모델, MNIST 학습 단계, 모델 학습 요소 기술