안녕하세요!

https://shinyfood.tistory.com/105 시계열분석 주식데이터 주가예측(1) 오늘은 시계열 분석을 이용한 주식데이터 주가예측을 해보도록 하겠다. 전체적으로 하는게아니고 파이썬라이브러리 중 yfinance 에 등록된 구글, 마이크로소프트, 애플, 메타 중에 구글로 해보도 shinyfood.tistory.com 해당 글에서 이어집니다. 지난번 글에서는 모델까지 생성했기 때문에 이제 모델을 훈련시키고 주가 예측을 해 볼 일만 남았으니 한번 해보도록 하자. 우선 Best Model을 뽑아왔으니 잔차를 확인해보도록 하자. 검정 하는 함수 : summary(), plot_diagnostics() model.summary() 해당 내용 중, P>|z| = p-value값이다. 유의미 하냐 안하냐(..

오늘은 시계열 분석을 이용한 주식데이터 주가예측을 해보도록 하겠다. 전체적으로 하는게아니고 파이썬라이브러리 중 yfinance 에 등록된 구글, 마이크로소프트, 애플, 메타 중에 구글로 해보도록 하겠다. 우선 임포트부터 시작. import datetime import matplotlib.pyplot as plt import platform from matplotlib import font_manager, rc import pandas as pd import numpy as np 이후 OS별 한글설정을 해주도록 하자 # 마이너스 기호 사용 설정 plt.rcParams["axes.unicode_minus"] = False # OS별 한글 설정 if platform.system() == "Windows" : ..

지난 게시물에서는 DNN을 이용한 회귀데이터를 사용해보았다. 이번 게시물에서는 분류데이터를 사용해보도록 하겠다. 임포트부터 시작하자. import pandas as pd import numpy as np import tensorflow as tf from tensorflow import keras from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler import matplotlib.pyplot as plt from sklearn.metrics import accuracy_score from sklearn.metrics import precision_score from sklea..

DNN의 경우는 회귀와 분류 모두 사용할 수 있다. 지난 포스팅에서 YOLO와 CNN을 다뤘었지만, DNN부터 다시 보고자 한다. 회귀 모델의 경우는 데이터 전처리 → 완료된 데이터를 불러옴 → 정규화 → 훈련, 검증, 테스트 데이터로 분리 → 모델 생성 및 훈련 → 예측 → 평가 순으로 진행하면 된다. data = pd.read_csv("path") X = data.iloc[:,:-1] y = data["종속변수"] X.shape,y.shape # StandardScaler를 이용한 정규화 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) X_train, X_test, y_train, y_test = train_test_split(X_scale..

이번 게시물에서는 이미지를 이용하여 객체를 인식하고, 인식된 객체가 맞는지 아닌지 인식이 됐다면, 맞는사람에 한해 소리를 내는 모델을 만들어보도록 하겠습니다. 여전히 임포트부터 시작합니다. import os import numpy as np import pandas as pd #OpenCV 라이브러리 import cv2 #이미지 증식 라이브러리 from tensorflow.keras.preprocessing.image import ImageDataGenerator #이미지를 numpy array(배열)로 변환하는 라이브러리 from tensorflow.keras.preprocessing.image import img_to_array # 특정 원본 이미지 폴더 내의 모든 이미지 파일을 읽어들여서 # - 이..

https://shinyfood.tistory.com/97 YOLO 함수화 및 여러 그림으로 확인해보기 https://shinyfood.tistory.com/96 YOLO 설치 및 객체탐지 YOLO란 무엇인가? YOLO(You Only Look Once) 한개의 네트워크(계충, 모델 같은 의미로 칭함.)에서 객체(물체, 사물)을 탐지 탐지된 객체의 영역(바운딩 박스 shinyfood.tistory.com 지난 글에서 YOLO를이용하여 이미지에서 객체들을 확인하고 바운딩 박스를 이용하여 해당 객체의 라벨링대로 출력 및 확률계산까지 해 보았다. 이미지에서 가능하다면 영상도 가능하지않을까? 그렇다 가능하다. 한번 해보도록 하자. 오늘도 임포트로 시작하겠다. import cv2 import numpy as np..

https://shinyfood.tistory.com/96 YOLO 설치 및 객체탐지 YOLO란 무엇인가? YOLO(You Only Look Once) 한개의 네트워크(계충, 모델 같은 의미로 칭함.)에서 객체(물체, 사물)을 탐지 탐지된 객체의 영역(바운딩 박스 - 사각형)과 객체의 이름(사람, 고양이 등...)을 shinyfood.tistory.com 해당 글에서 이어집니다. 원본 이미지의 예측한 위치에 바운딩 박스와 레이블(이름), 정확도 출력하기 net = cv2.dnn.readNet("./yolo/config/yolov3.weights", "./yolo/config/yolov3.cfg") classes = [] # open(): 파일 열기, r: 읽기, w:쓰기, b가붙으면 바이너리 # f가 곧..

YOLO란 무엇인가? YOLO(You Only Look Once) 한개의 네트워크(계충, 모델 같은 의미로 칭함.)에서 객체(물체, 사물)을 탐지 탐지된 객체의 영역(바운딩 박스 - 사각형)과 객체의 이름(사람, 고양이 등...)을 표시해 주는 기능을 수행. YOLO 설치 방법 0. 파일관리 폴더 생성 - yolo/config 1. YOLO 가중치(weights) 파일 다운로드 받기 - https://pjreddie.com/media/files/yolov3.weights - https://pjreddie.com/media/files/yolov2-tiny.weights - config 폴더 안에 다운받은 2개 파일 위치시키기 2. YOLO 환경설정 파일 다운받기 - https://github.com/pjr..