{
"id": 116732,
"title": "[HW][Jo Won]P4",
"url": "/competitions/2019-fall-pr-project/discussion/116732",
"author_name": "Jo-won",
"post_date": "2019-11-11T05:34:45.590000",
"votes": 0,
"comment_count": 0,
"views": 0,
"content": "![\"\"](\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2733992%2F91d980d14576f70cde1a430dea7316e2%2F41.PNG?generation=1573449840819198&alt=media\")
\n\n\n- train set이 있는 폴더에서 데이터의 이름들을 os.listdir로 불러온후 matplot 라이브러리를 통해 이미지를 읽고 cv2.resize를 통해 32,32,3으로 바꿔줍니다.
\n
\n\n![\"\"](\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2733992%2F8598dcb97d6c5facf060e1734188dc0b%2F42.PNG?generation=1573449997211011&alt=media\")
\n\n\n- cat이면 0, dog이면 1로 라벨을 붙입니다.
\n
\n\n![\"\"](\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2733992%2Fe5b4f742a08bc0f892560b109f9e048b%2F43.PNG?generation=1573450111179864&alt=media\")
\n\n\n- Gaussian filter를 이용하여 이미지의 노이즈를 제거하고 standardScaler를 이용하여 정규화를 합니다.
\n
\n\n![\"\"](\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2733992%2F7d2631d82d6952705292f9a6a431558a%2F44.PNG?generation=1573450184636737&alt=media\")
\n\n\n- 실습에서 했던 것처럼 svm과 pca를 같이사용하고 최적 파라미터를 찾기 위해 gridsearch를 사용하여 학습을 시킵니다.
\n
\n\n![\"\"](\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2733992%2F042448fda0428ffd5034c1482e9e4683%2F45.PNG?generation=1573450262047363&alt=media\")
\n\n\n- 학습한데이터를 테스트하여 학습이 잘 진행되었는지 확인합니다.(validation은 깜빡하고 안넣었습니다..)
\n
\n\n![\"\"](\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2733992%2F78e2491766ec73e713a8126c3707a4de%2F46.PNG?generation=1573450363760877&alt=media\")
\n\n\n\n![\"\"](\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2733992%2Ff67a27bf2520b778a3f627dd28c9618f%2F47.PNG?generation=1573450408465139&alt=media\")
\n\n\n- 테스트 데이터에 가우시안 필터와 정규화를 적용합니다. 그 후 학습된 모델로 테스트 합니다.
\n
\n\n![\"\"](\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2733992%2Fc6054bfbb16e9ec65d7f687dfb881813%2F48.PNG?generation=1573450452881512&alt=media\")
\n\n\n- csv를 만들고 (코랩기준) kaggle에 올립니다.
\n
",
"messages": [
{
"id": 670164,
"postDate": "2019-11-11T05:34:45.590Z",
"content": "
\n\n\n- train set이 있는 폴더에서 데이터의 이름들을 os.listdir로 불러온후 matplot 라이브러리를 통해 이미지를 읽고 cv2.resize를 통해 32,32,3으로 바꿔줍니다.
\n
\n\n
\n\n\n- cat이면 0, dog이면 1로 라벨을 붙입니다.
\n
\n\n
\n\n\n- Gaussian filter를 이용하여 이미지의 노이즈를 제거하고 standardScaler를 이용하여 정규화를 합니다.
\n
\n\n
\n\n\n- 실습에서 했던 것처럼 svm과 pca를 같이사용하고 최적 파라미터를 찾기 위해 gridsearch를 사용하여 학습을 시킵니다.
\n
\n\n
\n\n\n- 학습한데이터를 테스트하여 학습이 잘 진행되었는지 확인합니다.(validation은 깜빡하고 안넣었습니다..)
\n
\n\n
\n\n\n\n
\n\n\n- 테스트 데이터에 가우시안 필터와 정규화를 적용합니다. 그 후 학습된 모델로 테스트 합니다.
\n
\n\n
\n\n\n- csv를 만들고 (코랩기준) kaggle에 올립니다.
\n
",
"rawMarkdown": "\n\n- train set이 있는 폴더에서 데이터의 이름들을 os.listdir로 불러온후 matplot 라이브러리를 통해 이미지를 읽고 cv2.resize를 통해 32,32,3으로 바꿔줍니다.\n\n\n\n- cat이면 0, dog이면 1로 라벨을 붙입니다.\n\n\n\n- Gaussian filter를 이용하여 이미지의 노이즈를 제거하고 standardScaler를 이용하여 정규화를 합니다.\n\n\n\n\n- 실습에서 했던 것처럼 svm과 pca를 같이사용하고 최적 파라미터를 찾기 위해 gridsearch를 사용하여 학습을 시킵니다.\n\n\n\n- 학습한데이터를 테스트하여 학습이 잘 진행되었는지 확인합니다.(validation은 깜빡하고 안넣었습니다..)\n\n\n\n- 테스트 데이터를 준비합니다.\n\n\n\n- 테스트 데이터에 가우시안 필터와 정규화를 적용합니다. 그 후 학습된 모델로 테스트 합니다.\n\n\n\n- csv를 만들고 (코랩기준) kaggle에 올립니다."
}
],
"comments": [],
"raw_markdown_by_id": {
"670164": "\n\n- train set이 있는 폴더에서 데이터의 이름들을 os.listdir로 불러온후 matplot 라이브러리를 통해 이미지를 읽고 cv2.resize를 통해 32,32,3으로 바꿔줍니다.\n\n\n\n- cat이면 0, dog이면 1로 라벨을 붙입니다.\n\n\n\n- Gaussian filter를 이용하여 이미지의 노이즈를 제거하고 standardScaler를 이용하여 정규화를 합니다.\n\n\n\n\n- 실습에서 했던 것처럼 svm과 pca를 같이사용하고 최적 파라미터를 찾기 위해 gridsearch를 사용하여 학습을 시킵니다.\n\n\n\n- 학습한데이터를 테스트하여 학습이 잘 진행되었는지 확인합니다.(validation은 깜빡하고 안넣었습니다..)\n\n\n\n- 테스트 데이터를 준비합니다.\n\n\n\n- 테스트 데이터에 가우시안 필터와 정규화를 적용합니다. 그 후 학습된 모델로 테스트 합니다.\n\n\n\n- csv를 만들고 (코랩기준) kaggle에 올립니다."
}
}