오늘은 이런걸 그렸다. 소벨 필터링의 엣지부분에 색칠하는 것. import numpy as np from scipy.signal import correlate2d import matplotlib.pyplot as plt white_patch = 255 * np.ones(shape=(10, 10)) black_patch = 0 * np.ones(shape=(10, 10)) img1 = np.hstack([white_patch, black_patch]) img2 = np.hstack([black_patch, white_patch]) img3 = np.vstack([img1, img2]) img = np.tile(img3, reps=[2, 2]) fig, ax = plt.subplots(ncols=3, fig..

from . 양정은 강사님 프로젝트 과제임. 소벨 필터링 ? 이미지 처리나 컴퓨터 비전에서 사용되는 엣지 감지 알고리즘. 일반적으로 가장자리에 해당하는 이미지의 높은 공간 주파수 영역을 강조하는 방법을 제공한다. white_patch = 255*np.ones(shape=(10, 10)) # 10,10 짜리 흰색패치 black_patch = 0*np.ones(shape=(10, 10)) # 10,10 짜리 검정패치 print(white_patch) img1 = np.hstack([white_patch, black_patch]) img2 = np.hstack([black_patch, white_patch]) img = np.vstack([img1, img2]) fig, ax = plt.subplots(fig..

챗 GPT에 클러스터링이 어떤 곳에 활용되는지 물어보자. 대표적인 군집화 알고리즘으로는 K-Means, Mean Shift, Gaussian Mixture Model, DBScan이 있다. import numpy as np import matplotlib.pyplot as plt def euclidean_distance(x1, y1, x2, y2): result = (((y1-x1)**2) + ((y2-x2)**2)) ** 0.5 return result n_classes = 4 n_data = 100 X, y = [], [] for class_idx in range(n_classes): centroid = np.random.uniform(low=-10, high=10, size=(2,)) X_ = np..

import numpy as np import matplotlib.pyplot as plt # np.random.seed(22) K = 5 n_classes = 4 n_data = 50 X, y = [], [] for class_idx in range(n_classes): centroid = np.random.uniform(low=-10, high=10, size=(2,)) X_ = np.random.normal(loc=centroid, scale=1.7, size=(n_data, 2)) y_ = np.ones(n_data,) * class_idx X.append(X_); y.append(y_) X = np.vstack(X) y = np.concatenate(y) # print(X.shape, y.sha..

#결정계수 구하는 식 : 타겟 - 예측 제곱의 합 / 타겟 - 평균 제곱의 합 결국 문제 해설은 하지 않았고... 슥 훑고 넘어갔다. 나중에 시간 써야 하는 부분이다. 그래도 어제 복습한 내용들 대충은 있으니 그것들 참고해서 진행하자. k-Nearest Neighbor KNN은 전에 동빈나 강의를 사알짝 봤었다. https://www.youtube.com/watch?v=QRWNto6BsfY 그래서 예제 표로 두 점 사이의 거리를 구하는 식을 연습했다. # 5 : speed = 2.75, agility = 7.50 # 12 : speed = 5.00, agility = 2.50 # 유클리디언 : √((5.00 - 2.75)² + (2.50 - 7.50)²) def euclidean_distance(x1, ..

내가 분석할 데이터를 받았을 때는 제일 먼저 해야 하는 일이 이것이다. 데이터의 타입이 어떤지 쉐이프 얼마나 긴지, 오브젝트 정보는 어떤지 등을 확인해야 한다. from sklearn.datasets import load_iris import numpy as np iris = load_iris() print(type(iris), '\n') for attr in dir(iris): if not attr.startswith('_'): print(attr) print('=======iris data=======') print(f"type: {type(iris.data)}") print(f"shape: {iris.data.shape}") print(f"dtype: {iris.data.dtype}") print(..