STAT_art

코드를 블로그 타입으로 관리하고 좋고,

특히 협업이 좋아 개발자들이 많이 사용한다는 Git-Hub의 사용법을 찾아보았다.

우습지만, 한참을 해매다 더듬더듬 찾아가고있다.

가입부터 프로필 수정 등등 아직도 모르는 것이 많지만, 그나마 알게된 것을 잊기 전에 기록하고자 한다.

특히, 윈도우라서 Git Bash를 다운 받아 커맨드 형식으로 폴더와 파일을 관리하는 것이 낯설고 어렵게 느껴졌다.

 - git init : initialize

 - ls : 폴더 내의 전체 목록

 - git status : 상태 보기

   ㄴ 수정된 파일이나 새로 생성된 파일 / 업로드 여부 등을 살필 수 있다.

 - git remote add origin git@github.com:Statart/Hello-GitHub.git

   ㄴ 나의 깃 repo와 연결하기(원래 깃 사이트에서 복사해 넣을 수 있다.)

 - git add 파일명 : 해당 파일을 깃에 추가한다.

   git add . : 폴더 안의 모든 파일을 깃에 추가한다.

 - git config --global user.email "@naver.com"  : 깃에 자신의 e-mail 정보 입력

 - git config --global user.name "statart"          : 깃에 자신의 ID 정보 입력

 - git commit -m '____'

## 근데 깃허브 ssh 지정하는 것에서 포트22 에 대한 방화벽 문제가 생김....

     학교 와이파이를 사용해서 그런 것 같은데... 어떻게 해결해야하는지 모르겠음..ㅠㅠ

* 참고한 주소들

   1) https://www.inflearn.com/course/github-%EA%B8%B0%EB%B3%B8%EA%B8%B0-10%EB%B6%84/

   2) https://backlog.com/git-tutorial/kr/intro/intro4_1.html

   3) https://nolboo.kim/blog/2013/10/06/github-for-beginner/

=====================================================================

깃허브 공개키 지정하기

참고) 

  1) http://www.whatwant.com/395

  2) http://ourcstory.tistory.com/112

1. tensorflow를 활용한 linear regression 적용 방법 및 cost minimization

    1) 생각보다 익숙하지 않은 방식의 코딩

    2) 라이브러리 설치하기

        - 특히 matplotlib 패키지가 import 되지 않아 고전했다.

        - 여러 방법을 검색하고 시도했지만 되지 않음.

        - 그러다가 방법을 찾음 (출처 : 아래에 명시 )

        - pycharm에서 [File] - [Settings]에 접속

          Project 탭에서 Interprete에서 matplotlib를 검색하고 install할 수 있다.

2. python에서 tensorflow를 활용한 Gradient Descent

  1) Gradient Descent : Cost 함수의 최소값을 찾기 위한 방법

  2) 손으로 미분해서 구한 것과 tensorflow에서 제공하는 minimize를 모두 해보고 

     비교할 수 있음.

  3) 추가로, 중간에 Gradient를 수정할 수도 있음.

출처 :  http://www.polarglow.com/2017/07/04/%ED%8C%8C%EC%9D%B4%EC%8D%AC%EC%9D%84-%ED%95%98%EB%82%98%EB%8F%84-%EB%AA%A8%EB%A5%B4%EB%8A%94-%EC%82%AC%EB%9E%8C%EC%9D%98-%EB%94%A5%EB%9F%AC%EB%8B%9D-anaconda-python-3-6-matplotlib-pyplot-import/

- 본 게시글은 홍콩과기대 김성훈 교수님의 "모두를 위한 머신러닝" 강의를 보고 개인 공부용으로 작성된 것입니다.

* Tensorflow의 작동방식

  1) Build graph(tensor) using TF operations

      - node / placeholder

  2) feed data and run gragh (operation)

      - sess.run(op, feed_dict={a:[1,3]} )

  3) update variables in the graph (and return values)

  - 예전에 SAS EM을 다룰 때 이미지로 되어있던 과정과 유사한 듯

* 데이터 입력

   1) node1 = tf.constant(3.0, tf.float32)

       - 위의 코딩을 통해 3.0이라는 실수를 입력할 수 있다.

   2) a = tf.placeholder(tf.float32)

       - 다른 노드를 사용해 계산할 때, 미지수로 간주하는 역할을 할 수 있다.

       - print(sess.run(adder_node, feed_dict={a:[1,3], b:[2,4]}))

       : 다음과 같이 feed_dict 인수를 사용해 어떤 미지수를 대입할 것인가를 결정할 수 있다.

         [1,3]과 같이 배열의 형태로 대입할 수 있다.

* Tensor Ranks, Shapes, and Types

  1) Rank

      (1) rank = 0 : Scalar (magnitude)

      (2) rank = 1 : Vector (magnitude and direction)

      (3) rank = 2 : Matrix (table of numbers)

      (4) rank = 3 : 3-Tensor (cube of numbers)

            ...

      (n+1) rank = n : n-Tensor (idea)

  2) Shape

      - tensor의 각 element에 몇 개씩 들어가 있는가?

  3) Types

      - 대부분 tf.float32(- 32bits floating point) 를 사용