[딥러닝 기본 04] Lec 02 - linear regression의 hypothesis 와 cost

모두를 위한 머신러닝 / 딥러닝 김성훈 교수님 강의를 듣고 정리한 내용입니다.

Lec 02 - linear regression의 hypothesis 와 cost  

@ Supervised Learning / Linear Regression 예제

ex) 공부 시간에 따른 점수(0 ~ 100) 예측

- 과거 실제 공부 시간에 따른 점수 데이터 셋 필요

- 공부시간(x), 점수(H(x))의 그래프를 그려서 분포에 가장 적절한 Linear한 모델을 가설 H(x) = Wx + b

- W, b 값을 임의의 값으로 주고 실제 데이터를 연산하여 H(x)의 값과 실제 값의 차이인 Cost를 계산

- Cost가 최소값이 되는 W와 b 찾기

@ (Linear) Hypothesis

- data의 규칙을 예상한 가설 함수

@ Cost function (=Lost function)

- H(x)의 값과 실제 y값의 편차

@ Linear Regression의 학습의 목표

- cost function이 가장 작은 W, b를 구하는 것 : minimize cost(W,b)