SMALL 인공지능 AI4 LSTM Kospi Prediction Analysis LSTM 방식으로 Kospi의 주가시수를 예측 -> head()를 통하여 'Kospi.csv’ Date 날짜 Open 시가 High 고가 Low 저가 Close 종가 Adj Close 조정 종가 Volume 거래량 -> Plot 그래프를 활용하여 가격과 날짜의 순번을 이용해 종가 가격만 그래프화 하여 확인 ->스케일에 적용할 Column을 정의하고 x,y의 훈련과 테스트 데이터를 8:2로 나눠 저장한다 ->LSTM 시계열 데이터 예측을 위해 TensorFlow keras을 import -> Dense, LSTM, Conv1D, Lamda -> MSE : 예측한 값과 실제 값 사이의 평균 제곱 오차를 정의한 값 ->Epoch: 100 Train data Start 결과값 2022. 8. 26. 인공신경망을 이용한 USB 인식 시스템 1) 전체 구성 USB 기반의 IoT 디바이스 환경에서 디바이스 제어 드라이버의 Plug & Play를 위한 기 본 모듈로서 USB 자동 인식 기능을 개발한다. USB의 자동 인식을 위하여 딥러닝 인공신경망을 이용한다. 인공신경망 학습을 위한 충분한 데이터를 확보하기 위 하여 이미지 처리를 수행하며, 다양한 종류의 인공신경망 모델을 구현하여서 그 성능을 비교한다. 충분한 양의 이미지를 확보하기 위하여 Crawling을 통해 USB 이미지를 가져오고, 설계 하는 인공지능 신경망을 충분히 학습시키기 위해서 충분한 양의 데이터가 필요하기에 Open CV 라이브러리를 이용하여 USB 이미지를 추가생성 후 인공신경망을 통해 훈련 한다. 훈련된 인공신경망을 이용하여 USB 이미지에 대한 인식 결과를 도출한다. 2).. 2022. 8. 26. USB Image ResNet Modeling ResNet이란? -> Deep Neural Network의 경량 모델인 것이 ResNet이다. 기존방식은 Layer층을 건너 결과값을 도출한다면, ResNet은 하나의 identity(지름길)을 하나 더 만들어 결과값의 에러율을 낮춘 것이다. 통합 개발 환경(IDE) Python, Google Colaboratory, PyTorch 1.7 CUDA 이미지 데이터 -> 29000장의 데이터를 사용하기에는 일반 컴퓨터에서 너무 오랜 시간이 걸려 2584장의 데이터셋과 58장의 테스트 데이터셋을 사용 USB Image ResNet Modeling 결과값 2022. 8. 26. Pytorch MNIST Code 분석 파이 토치의 MNIST 글자 인공신경망 분석 코드입니다. import torch -> torch 를 import import torchvision.datasets as dsets -> pytorch 라이브러리에 포함된 모든 학습 데이터를 불러옴 (MNIST) import torchvision.transforms as transforms -> 다양한 이미지 변환을 위해 ex) PIL 이미지 또는 numpy.ndarray(배열) from torch.utils.data import DataLoader -> 학습을 위한 방대한 데이터를 미니배치 단위로 정리 -> 학습효율 상승 import torch.nn as nn -> 신경망 Neural Network 구성 import matplotlib.pyplot as p.. 2022. 8. 25. 이전 1 다음 LIST
