토너먼트 농구 데이터에 모델 맞추기

이제 모델을 컴파일했으니, 데이터에 맞춰 볼 차례예요!

이번 연습에서는 미국 대학 농구 토너먼트 경기의 점수 데이터셋을 사용합니다. 데이터셋의 각 행에는 정수형 팀 ID인 team_1과 team_2가 있어요. 또한 두 팀의 시드 차이(시드는 대회 위원회가 부여하는 팀 강함의 순위)와 경기의 점수 차이가 포함되어 있습니다(예: team_1이 5점 차이로 이기면 점수 차이는 5).

모델을 학습하려면 X 변수 행렬(이 사례에서는 한 열: 시드 차이)과 Y 변수 행렬(이 사례에서는 한 열: 점수 차이)을 제공하면 됩니다.

games_tourney DataFrame과 컴파일된 model 객체가 작업 공간에 준비되어 있어요.

이 연습은 강의의 일부입니다

Keras로 배우는 Advanced Deep Learning

연습 안내

입력 변수로 seed_diff, 출력 변수로 score_diff를 사용해 모델을 학습하세요.
epoch은 1, batch size는 128로 설정하고, 검증 분할은 10%로 사용하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Now fit the model
____(games_tourney_train[____], games_tourney_train[____],
          epochs=____,
          batch_size=____,
          validation_split=____,
          verbose=True)

코드 편집 및 실행

이 연습은 강의의 일부입니다

Keras로 배우는 Advanced Deep Learning

SkillTag.level.intermediateSkillTag.label

4.8+

무료로 강의 시작하기

이 장에서는 Keras Functional API의 기본을 익힙니다. 기능형 빌딩 블록으로 간단한 기능형 네트워크를 만들고, 데이터에 맞춰 학습(fit)한 뒤 예측까지 진행해 볼 거예요.

Exercise 1: Keras 입력과 Dense 레이어 Exercise 2: 입력 레이어 Exercise 3: Dense 레이어 Exercise 4: 출력 레이어 Exercise 5: 모델 구성 및 컴파일 Exercise 6: 모델 만들기 Exercise 7: 모델 컴파일하기 Exercise 8: 모델 시각화하기 Exercise 9: 모델 학습과 평가 Exercise 10: 토너먼트 농구 데이터에 모델 맞추기

현재 연습

Exercise 11: 테스트 세트에서 모델 평가하기

이 장에서는 고유값이 많은 범주형 데이터를 표현하기 위해 범주 임베딩을 사용하고, 재사용 가능한 구성요소를 정의하기 위해 공유 층을, 여러 입력을 단일 출력으로 결합하기 위해 머지 층을 사용하는 두 입력 네트워크를 구축합니다. 이 장을 마치면 복잡한 데이터 흐름을 갖는 신경망을 설계하기 위한 기초 빌딩 블록을 갖추게 됩니다.

Exercise 1: 카테고리 임베딩 Exercise 2: 팀 조회 정의하기 Exercise 3: 팀 모델 정의 Exercise 4: 공유 레이어 Exercise 5: 두 개의 입력 정의하기 Exercise 6: 같은 모델에서 두 입력 모두 조회하기 Exercise 7: Merge 층 Exercise 8: 공유 레이어를 사용한 출력 레이어 Exercise 9: 두 개의 입력과 하나의 출력을 사용하는 모델 Exercise 10: 모델로 예측하기 Exercise 11: 정규 시즌 학습 데이터에 모델 맞추기 Exercise 12: 토너먼트 테스트 데이터에서 모델 평가하기

이 장에서는 2입력 모델을 3입력으로 확장하고, Keras의 summary와 plot 함수를 이용해 신경망의 매개변수와 토폴로지를 이해하는 방법을 배웁니다. 이 장이 끝나면 2입력 모델을 3입력 이상으로 확장하는 방법을 이해하게 됩니다.

Exercise 1: 세 입력 모델 Exercise 2: 홈/어웨이 입력 레이어 만들기 Exercise 3: 모델 생성 및 컴파일 Exercise 4: 모델 학습 및 평가 Exercise 5: 모델 요약과 시각화 Exercise 6: 모델 요약 Exercise 7: 모델 그리기 Exercise 8: 모델 쌓기 Exercise 9: 모델 예측을 토너먼트 데이터에 추가하기 Exercise 10: 여러 열을 가진 입력층 만들기 Exercise 11: 모델 학습하기 Exercise 12: 모델 평가하기

이 장에서는 여러 출력을 갖는 신경망을 구축해, 여러 타깃을 가진 회귀 문제를 해결하는 방법을 배웁니다. 또한 하나의 모델로 회귀와 분류 문제를 동시에 해결하는 예제도 구현해 볼 거예요.

Exercise 1: 두 개의 출력이 있는 모델 Exercise 2: 간단한 2-출력 모델 Exercise 3: 두 개의 출력을 갖는 모델 학습하기 Exercise 4: 모델 살펴보기 (I)Exercise 5: 모델 평가하기 Exercise 6: 분류와 회귀를 하나의 모델로 Exercise 7: 하나의 모델로 분류와 회귀 수행하기 Exercise 8: 모델 컴파일 및 학습 Exercise 9: 모델 살펴보기 (II)Exercise 10: 두 가지 지표로 새로운 데이터에서 평가하기 Exercise 11: 마무리