1. 과제개발의 목적 및 필요성 (1) 목적 및 필요성 - 목적 : 아티스트 컴백 후 순위 예측 프로그램으로써 아티스트의 유명세를 판단하는 척도를 제공 - 필요성 : 효율적인 투자자 매칭을 원활하게 하도록 컨택 관리 , 프로그램 엔터테이먼트 회사의 아티스트 매칭 사업 리스크 감소 (2) 활용성 및 기대효과 1. 아티스트의 컴백 후 순위 예측 도식화 제공 2. 아티스트의 순위권 상승을 위한 협업 팀 매칭 사업 3. 최고의 싱어송라이터 순위 검증 2. 과제수행 과정 (1) 과제수행 과정 I. 구현계획 (주요기능 및 예상결과물) i. 컴백 가수 순위예측(2020) : 등급순 A급(4%,8위), B급(~25위), C급(~50위), D급(50위~) 2. 자동 매칭 서비스 코딩 i. 캐미 스트리트 : 아티스트의 순..

결과, 정확도 결과 덤프 화면은 아래 그림과 같습니다. *정확도 기본 학습 데이터 Accuracy:0.9758616 역전파 Accuracy:0.97534880086174 오차 역전파 Accuracy:0.9118631680482993 CNN Accuracy:0.41925920819255125 문제점 같은 이미지로 비교한 결과 여러가지 문제점들이 발견되었습니다. 다른 학습 방법들의 예측결과를 비교한 결과 기본학습데이터의 정확도가 가장 높았습니다. 그리고 가장 높은 정확도를 가질 것이라고 예상했던 CNN이 가장 낮게 나왔습니다. 문제 파악을 위해 입력데이터에 다른 이미지를 사용해봤는데 CNN을 제외한 나머지는 숫자를 얼마나 정확하게 그리는지에 따라서 정확도의 편차가 큰 것을 확인 할 수 있었고 CNN은 정답도..

OpenCV로 결과 나타내기 직접 그린 손 글씨를 어떤 숫자로 인식했고 어느 정도의 정확도가 나왔는지 확인하기 위해 openCV를 사용해 결과를 출력했습니다. dst[:,:] = 0 #지우기 b,g,r,a = 0,255,0,0 cv2.putText(dst, text1, (0,15), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (b,g,r), 1, cv2.LINE_AA) cv2.putText(dst, text2, (160,360), cv2.FONT_HERSHEY_SIMPLEX, 10, (b,g,r), 3, cv2.LINE_AA) ## 정답그리기 cv2.imshow('dst', dst) Colored by Color Scripter CV창에는 이미 손 글씨가 그려져 있는 상태이기 때문에 CV창을..

요약 기계학습은 인공지능의 한 분야로 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 사용하여 학습하는 것을 말합니다. 이 프로젝트에서는 손 글씨로 된 숫자 데이터로 이루어진 MNIST 데이터를 사용하여 학습합니다. 사용자가 직접 그린 손 글씨 이미지를 학습된 매개변수로 이루어진 신경망을 통과시켜 어떤 수를 입력했는지 판단하고 정확도를 출력하는 코드 작성을 목표로 합니다. 완성된 코드를 바탕으로 단순 신경망을 통한 학습이외에도 오차역전파법, CNN을 사용한 학습 데이터를 사용하여 각각의 정확도를 비교합니다. 프로젝트 준비(설계) 코드의 실행순서를 간략하게 요약하면 다음과 같습니다. 1. 코드를 실행시키면 CV창이 보여지고 사용자가 CV창에 마우스를 사용해서 숫자를 그립니다. 2. 스페이스바를 누르면 2..

게시물 ID 가져오기 저번에 만들었던 인스타그램 아이디, 해시태그를 수집하는 크롤러를 만들고 나서 코드를 조금만 수정하면 인스타그램 이미지 다운로더도 만들 수 있겠다는 생각에 만들어봤습니다. 기본적으로 게시물 각각의 ID를 수집하는건 저번에 설명드린 것과 같습니다. 아래 글을 참고해주세요. 인스타그램 해시태그 크롤링(1) 준비 -운영체제 : Windows 10 -언어 : Python -웹 드라이버 : chromedriver.exe 프로그램 실행 과정 1. 인스타그램 해시태그를 크롤링합니다. 2. 검색어를 입력하면 검색어에 관한 게시물의 작성자 ID와 해시태그.. yeowool0217.tistory.com 크롬 웹 드라이버 버전 확인은 필수입니다. 이미지 URL 가져오기 1. 게시물 ID 가져오기 2. 이..

학습시키기 한 번의 학습으로 매개변수 값을 얼마나 경신하는지 정하는 ‘학습률’은 0.1로 설정했습니다. 모든 학습 준비가 끝났기 때문에 ‘tf.Session’함수를 사용해서 연산합니다. 손실함수의 최솟값을 찾기 위해서 반복하며 학습합니다. with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for step in range(1001): sess.run(train, feed_dict={X: X_train, Y: y_train}) if step % 100 == 0: print(step, sess.run(cost, feed_dict={X: X_train, Y: y_train}), sess.run(W)) Tensorflow를 사용했기 때문..