WoodyCode_우디코드

GRU, RNN, DNN, CNN, GAN한 줄 요약• RNN = 순서 있는 데이터 처리 (기억 있는 신경망)• GRU = RNN의 업그레이드 버전• DNN = 가장 기본적인 깊은 신경망• CNN = 이미지 처리 특화• GAN = 가짜 데이터 생성1. DNN (Deep Neural Network)"여러 층을 쌓은 가장 기본적인 신경망"구조입력층 → 은닉층1 → 은닉층2 → 은닉층3 → 출력층입력 [●●●] ↓은닉1 [●●●●] ↓은닉2 [●●●●] ↓출력 [●●]특징- 층이 깊을수록 복잡한 패턴 학습 가능- 데이터 순서 개념 없음- 이미지, 텍스트, 음성 등 범용적- 모든 딥러닝의 기본 구조 적합한 데이터 - ✅ 정형 데이터 (표 형태..

로지스틱 회귀분석한 줄 요약"결과가 0 또는 1인 분류 문제를 확률로 예측하는 모델" 선형 회귀 vs 로지스틱 회귀• 선형 회귀: 공부시간 → 시험 점수 예측 (연속적인 숫자)• 로지스틱 회귀: 공부시간 → 합격/불합격 예측 (0 또는 1) 단, 확률로 표현 (0 ~ 1 사이)왜 선형 회귀를 그냥 쓰면 안 되냐?선형 회귀 결과:-0.3, 0.2, 0.7, 1.5, 2.3 ...확률은 0~1 사이여야 하는데1 초과, 음수가 나와버림→ 확률로 해석 불가시그모이드 함수 ⭐"어떤 값이든 0~1 사이로 압축해주는 함수"공식σ(z) = 1 / (1 + e^(-z))그래프1.0 | ********** | ***0.5 | * |..

모수검정 vs 비모수검정 완벽 정리한 줄 요약모수검정 = "데이터가 정규분포를 따른다고 가정하고 검정" 비모수검정 = "분포 가정 없이 검정"1. 모수검정 (Parametric Test)"모집단이 특정 분포(주로 정규분포)를 따른다고 가정"사용 조건① 데이터가 정규분포를 따름② 연속형 데이터③ 표본 수가 충분히 많음 (보통 n ≥ 30)④ 등분산성 만족 (집단 간 분산이 비슷)주요 모수검정 종류• t검정 (t-test)평균을 비교하는 검정단일표본 t검정:"우리 반 평균 키가 전국 평균 175cm와 다른가?"표본 하나 vs 특정 값 비교독립표본 t검정:"남학생 vs 여학생 평균 키가 다른가?"두 독립 집단의 평균 비교대응표본 t검정:"다이어트 전 vs 후 몸무게가 다른가?"같은 대상의 전후 비교 • Z검정..

점추정 vs 구간추정한 줄 요약점추정 = "모수가 딱 이 값이야" → 하나의 숫자구간추정 = "모수가 여기서 여기 사이야" → 범위❗️기본 개념모수 vs 통계량모수 (Parameter):→ 모집단 전체의 진짜 값→ 현실적으로 알기 어려움→ 예) 전국 20대 남성의 진짜 평균 키통계량 (Statistic):→ 표본에서 계산한 값→ 우리가 실제로 구할 수 있음→ 예) 표본 100명의 평균 키 우리가 하고 싶은 것:표본(통계량)으로 모집단(모수)을 추정전국 20대 남성 500만 명 다 못 재니까→ 1000명만 뽑아서 키 재고→ 전체 평균 추정1. 점추정 (Point Estimation)"모수를 딱 하나의 값으로 추정"방법표본 1000명 키 측정→ 평균 계산: 174.3cm→ "전국 20대 남성 평균 키는 ..

변수 변환한 줄 요약"데이터를 분석하기 더 좋은 형태로 바꾸는 것" ❓왜 변환이 필요한가문제 상황들:1. 데이터가 한쪽으로 너무 치우쳐 있음 (왜도)2. 변수마다 단위·크기가 너무 달라서 비교 불가3. 변수 간 관계가 비선형이라 모델 성능이 낮음4. 이상치가 너무 커서 분석을 방해함 변환 종류 전체 그림변수 변환├── 스케일 변환 (크기 조정)│ ├── Min-Max 정규화│ ├── Z-Score 정규화│ └── 역수 변환│├── 분포 변환 (형태 교정)│ ├── 로그 변환│ ├── 제곱근 변환│ ├── 제곱 변환│ └── Box-Cox 변환│└── 범주형 변환 ├── 원-핫 인코딩 └── 레이블 인코딩1. 스케일 변환 1) Min-Max 정규화 ⭐️"최솟값 0, 최..