일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | ||
6 | 7 | 8 | 9 | 10 | 11 | 12 |
13 | 14 | 15 | 16 | 17 | 18 | 19 |
20 | 21 | 22 | 23 | 24 | 25 | 26 |
27 | 28 | 29 | 30 | 31 |
- 오래간만에 글쓰네
- 결정계수
- 기초통계
- 모두의 딥러닝
- Pandas
- 밑바닥부터 시작하는 딥러닝2
- 최소자승법
- 가설검정
- 차원축소
- 다층 퍼셉트론
- 기술통계학
- numpy
- 머신러닝
- 코사인 유사도
- 구글 BERT의 정석
- 밑바닥부터 시작하는 딥러닝
- 은준아 화이팅
- 군집화
- 자연어 처리
- 히스토그램
- 텐서플로2와 머신러닝으로 시작하는 자연어처리
- 감성분석
- 텍스트 분류
- 파이썬 pandas
- Django
- student t분포
- 회귀분석
- F분포
- word2vec
- rnn
- Today
- Total
목록시계열 분석/Practical TIme Series Analysis (17)
데이터 한 그릇
가전제품의 전기 사용량을 CNN을 활용하여 예측해볼 예정이다 df=pd.read_csv('energydata_complete.csv') df.head() Appliances 칼럼을 활용하여 시계열 예측 작업을 수행할 예정 from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler(feature_range=(0, 1)) df['scaled_App'] = scaler.fit_transform(np.array(df['Appliances']).reshape(-1, 1)) df.head() 0과 1사이로 Appliances 를 스케일링한다 from datetime import datetime split_date = datetime(year=2016,..
(한양대학교 BI수업 참조) 날씨 관련 데이터를 활용하여 간단한 전처리부터, ANN모델까지 돌려볼 예정이다. task 는 날씨 관련 특징을 예측하는 작업을 수행한다 #Read the dataset into a pandas.DataFrame df = pd.read_csv('PRSA_data_2010.1.1-2014.12.31.csv') print('Shape of the dataframe:', df.shape) 데이터를 읽은 결과 따로 datetime type 의 칼럼이 존재하는 게 아니라, year, month, day 칼럼으로 날짜 feature 가 나뉘어져 있음을 알 수 있다 시계열적인 분석을 하기 위해서는 datetime 이 필요하기 때문에 year, month, day feature를 활용하여 d..