WEEK1 : Introduction to TensorFlow for Artificial Intelligence

ML으로 인한 변화?

• 이전에는 데이터와 규칙을 주면 정답이 나오는 식으로 코드를 작성하였다.
• 하지만, AI를 이용하면 데이터와 정답을 주면 규칙이 나오는 방식으로 코드를 작성할 수 있다.

 

AI가 완벽한 정답을 맞추지 못하는 이유?

• 데이터의 수가 적기 때문이다. (현재의 패턴이 이러하더라도, 다른 데이터까지 이러한 패턴을 따른다는 보장이 없다)
• 나올법한 예측값을 내놓기 때문이다. (AI는 확률적으로 학습한다)

 

loss와 optimizer의 역할?

• loss는 데이터로부터 도출된 현재의 규칙이 얼마나 좋은지, 나쁜지를 측정하는 역할
• optimizer는 다음의 규칙이 현재의 규칙보다 나아지도록 개선해주는 역할

 

tensorflow에서 학습과정

1. train data, test data 준비
2. 모델 만들기 (layer 쌓기)
3. 모델 컴파일 (loss, optimizer 지정하여 compile)
4. 모델 학습 (fit하여 train data 학습)
5. 모델 평가 (predict하여 test data로 모델 평가)

 

import tensorflow as tf
import numpy as np
from tensorflow import keras
# GRADED FUNCTION: house_model
# remove indention error please
def house_model(y_new):
    xs = np.array([1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 8.0, 9.0, 10.0,         11.0, 12.0, 13.0], dtype=float)
    ys = np.array([100.0, 150.0, 200.0, 250.0, 300.0, 350.0, 450.0, 500.0, 550.0,600.0, 650.0,700.0], dtype=float)
   
    model = tf.keras.Sequential([keras.layers.Dense(units=1,   input_shape=[1])])
    model.compile(optimizer='sgd',loss='mean_squared_error')
    model.fit(xs,ys,epochs=4000)
    
    return (model.predict(y_new)[0]+1) //100
# outside function
prediction = house_model([7.0])
print(prediction)