라떼는말이야

당첨 확률이 높은 숫자 10개는 다음과 같다. 01, 07, 15, 32, 17, 11, 10, 04, 13, 08 분석 방법 및 나의 생각 1회 ~ 978회의 데이터를 가지고 딥러닝 알고리즘(LSTM)으로 학습을 시켜 1 ~ 45의 숫자가 각각 다음 회차(979회)에 몇 %의 확률로 적중할 것인지 분석한 결과이다. 참고로 LSTM은 RNN 계열이고, 시계열 데이터에서 주로 사용하는 알고리즘이며 이전의 결과가 다음의 결과에 영향을 미치는 데이터를 학습시키는데 사용된다. 즉, 시간에 따라 변하는 집 값의 변화 추이, 주가의 변동, 자연어 처리 등을 학습할 때 주로 사용하는 알고리즘이다. 지금까지 당첨된 번호들이 다음 결과와 연관이 있다는 가정 하에 LSTM 알고리즘을 사용하게 된다. 결과를 보면 알겠지만 ..

당첨 확률이 높은 숫자 10개는 다음과 같다. 17, 25, 13, 9, 14, 36, 22, 7, 20, 33 분석 방법 및 나의 생각 1회 ~ 976회의 데이터를 가지고 딥러닝 알고리즘(LSTM)으로 학습을 시켜 1 ~ 45의 숫자가 각각 다음 회차(977회)에 몇 %의 확률로 적중할 것인지 분석한 결과이다. 참고로 LSTM은 RNN 계열이고, 시계열 데이터에서 주로 사용하는 알고리즘이며 이전의 결과가 다음의 결과에 영향을 미치는 데이터를 학습시키는데 사용된다. 즉, 시간에 따라 변하는 집 값의 변화 추이, 주가의 변동, 자연어 처리 등을 학습할 때 주로 사용하는 알고리즘이다. 지금까지 당첨된 번호들이 다음 결과와 연관이 있다는 가정 하에 LSTM 알고리즘을 사용하게 된다. 결과를 보면 알겠지만 당연..

당첨 확률이 높은 숫자 10개는 다음과 같다. 24, 21, 10, 19, 11, 22, 20, 04, 08, 27 분석 방법 및 나의 생각 1회 ~ 975회의 데이터를 가지고 딥러닝 알고리즘(LSTM)으로 학습을 시켜 1 ~ 45의 숫자가 각각 다음 회차(976회)에 몇 %의 확률로 적중할 것인지 분석한 결과이다. 참고로 LSTM은 RNN 계열이고, 시계열 데이터에서 주로 사용하는 알고리즘이며 이전의 결과가 다음의 결과에 영향을 미치는 데이터를 학습시키는데 사용된다. 즉, 시간에 따라 변하는 집 값의 변화 추이, 주가의 변동, 자연어 처리 등을 학습할 때 주로 사용하는 알고리즘이다. 지금까지 당첨된 번호들이 다음 결과와 연관이 있다는 가정 하에 LSTM 알고리즘을 사용하게 된다. 결과를 보면 알겠지만 ..

당첨 확률이 높은 숫자 10개는 다음과 같다. 01, 11, 41, 04, 07, 37, 26, 40, 25, 12 분석 방법 및 나의 생각 1회 ~ 972회의 데이터를 가지고 딥러닝 알고리즘(LSTM)으로 학습을 시켜 1 ~ 45의 숫자가 각각 다음 회차(971회)에 몇 %의 확률로 적중할 것인지 분석한 결과이다. 참고로 LSTM은 RNN 계열이고, 시계열 데이터에서 주로 사용하는 알고리즘이며 이전의 결과가 다음의 결과에 영향을 미치는 데이터를 학습시키는데 사용된다. 즉, 시간에 따라 변하는 집 값의 변화 추이, 주가의 변동, 자연어 처리 등을 학습할 때 주로 사용하는 알고리즘이다. 지금까지 당첨된 번호들이 다음 결과와 연관이 있다는 가정 하에 LSTM 알고리즘을 사용하게 된다. 결과를 보면 알겠지만 ..

당첨 확률이 높은 숫자 10개는 다음과 같다. 31, 42, 18, 27, 34, 33, 38, 15, 36, 01 추출 된 번호 10게임 0 : [4, 10, 18, 31, 34, 38] 1 : [11, 14, 27, 31, 40, 42] 2 : [14, 18, 19, 31, 33, 42] 3 : [5, 18, 31, 33, 36, 42] 4 : [22, 31, 33, 34, 38, 42] 5 : [15, 18, 29, 31, 33, 36] 6 : [13, 15, 31, 34, 38, 42] 7 : [15, 16, 18, 27, 31, 32] 8 : [2, 19, 20, 31, 42, 44] 9 : [18, 27, 31, 34, 38, 42] 분석 방법 및 나의 생각 1회 ~ 972회의 데이터를 가지고..

# 라이브러리 사용 import tensorflow as tf import pandas as pd # 학습할 데이터를 준비 파일경로 = 'https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/iris.csv' 아이리스 = pd.read_csv(파일경로) # 원핫 인코딩 아이리스 = pd.get_dummies(아이리스) # 독립변수, 종속변수 print(아이리스.columns) 독립 = 아이리스[['꽃잎길이', '꽃잎폭', '꽃받침길이', '꽃받침폭']] 종속 = 아이리스[['품종_setosa', '품종_versicolor', '품종_virginica']] print(독립.shape, 종속.shape) Index(['꽃잎길이', '꽃잎폭', ..

머신러닝 프로세스 1) 데이터 수집 단계 모든 데이터는 ‘컴퓨터가 이해할 수 있는’ 형식을 갖추어야 한다. 데이터 수집은 다양한 채널을 통해 이루어질 수 있다. 하드웨어로 수집 한다거나 웹 서버의 정보를 크롤링하거나, 이미 운영 중인 솔루션 또는 운영체제 자체에서 자동으로 기록하는 로그 정보도 좋은 데이터가 될 수 있다. 데이터가 어느 정도로 필요한 지 미리 규정짓는 것은 의미가 없다. 가능한 많은 데이터 확보가 우선 시 된다. 2) 특징 공학(Feature Engineering) 특징 공학 : 모델의 성능을 좌우하는 핵심 요소로, 머신 러닝 프로세스에서 가장 중요한 역할을 담당한다. 특징 공학은 데이터의 의미를 이해하고, 조작하고, 특징을 추출하고, 변환하는 모든 과정을 포함한다. (1) 관찰과 전처리..