25.12.02 39일차 [ 머신러닝 중요개념 이해 | 개요, 모델 학습절차 -> 인공지능 모델 학습 워크플로우 5단계 | 머신러닝 전체 플로우 진행, 간단한 모델 구성]

오늘은 EDA파트를 마무리 한 후 머신러닝 파트로 들어갔다.

머신러닝에 관한 기초적 이론과 개요를 설명 들은 이후 

머신러닝 전체 플로우 실습을 시작했다.

수업 내용

• 모델 학습 절차 -> 인공지능 모델 학습 워크플로우 5단계 구성
  • 베이스라인 구축 ( 전체 절차를 진행)
  • 알고리즘 선택( 선정 )
    • 지도 학습 -> 모델의 최종 결론
      • 분류
      • 회귀
    • 비지도 학습 -> 전처리
      • 군집
      • 차원축소
    • 준지도 학습 -> 전처리 + 모델 (생략)
    • 강화학습
  • EDA및 피처 엔지니어링
  • 학습
  • predict
  • 성능 평가
  • 최적화 -> 에자일 방식
  • 써드 파트 (AutoML, 자동 머신러닝)
  • 모델 덤프

---

모델 학습 절차 -> 인공지능 모델 학습 워크플로우 (5단계)

 

---

베이스라인 구축 (전체 절차를 진행(프로토타입))

 

---

알고리즘 선택 (선정)

 

---

지도학습 -> 모델의 최종 결론

• 데이터에 정답(예측|판별 해서 찾고싶은 값)이 있다.

 

 

분류 (Classfication) -> 범주형 데이터로 결론 (카테고리) -> 판별모델

• 모델의 결론이 범주형 사람이다 바나나다 스팸메일이다 정상메일이다 한국어다 영어다 범주형중에서도 명목형 그리고 서열이 없다.
• 정확도 (암, 암 x ) -> 100%에 가까울수록
• 정답 : 범주형(명목형, 순서형, 수치형(이산형))
• 분류
  • 이진분류 : 암/정상, 스팸/정상 => 이상탐지
  • 다중분류 : MBTI 예측(16개), 2개 초과로 예측|판별
• 성능평가
  • 정확도, 정밀도, 재현율, ROC, AUC, . . .
• 알고리즘
  • 로지스틱회귀, KNN, 나이브베이즈, 결정트리, SVN , . . .=> 베이스 모델 (성능은 높지 않음)
  • 앙상블 기법 (n개 모델을 결합)
    • 보팅 -> 하드보팅(이긴 주,다수결), 소프트보팅(득표율,총 점수) 서로 다른 모델
    • 베깅 -> 랜덤포레스트 (결정트리 n개, 같은 모델로 구성)
    • 부스팅 -> XGBoost, LightGBM, CatBoost, . . .
      • 딥러닝과 유사함을 가짐 => 성능이 높음
    • 스태킹
      • 메타 정보를 이용 -> 메타학습
        • 1차 모델이 예측한 결과가 데이터가 됨
      • 1차 모델, 2차 모델 존재
  • 최종 엔딩
    • AutoML을 통한 학습 -> 최종 모델 -> (앙상블 형태 | 블랜딩 기법(각 모델들 비중까지 포함됨))

 

---

회귀 (Regression) -> 수치형-연속형 (이산형은 범주형으로 갈수도 있음) 그래서 연속형 데이터로 결론 -> 예측모델

• 손실, 에러, 오차를 최소로 하는

 

---

• 목표
  • 정답을 맞출수는 없고, 거의 근접하게 예측
  • 정답-예측값 = 오차 => 최소화 하는것
    • 오차값은 0에 가까울수록 좋음
• 알고리즘
  • 로지스틱회귀, KNN, 나이브베이즈, 결정트리, SVM, 선형회귀, Lasso, Ridge, 엘라스틱넷 , . . .=> 베이스 모델 (성능은 높지 않음)
  • 결론 => 앙상블 기법 -> AutoML을 통해서 최종 모델 획득

 

---

비지도학습 -> 전처리

• 데이터에 정답 (종속변수, classm label)이 없다면

 

---

군집

• 알고리즘 -> 학습 -> 데이터에 대한 그룹(라벨링, 군집) 생성
  • KMean : 거리 기반
  • Mean-Shift : 밀도 기반
  • GMM : 확률 기반
  • DBSCAN : 기하학 분포 + 밀도 기반
  • . . .

 

---

차원축소

• 컬럼이 너무 많다 -> 줄이자 (차원축소) -> 압축 -> 차원이 축소됨
  • 알고리즘
    • PCA(주성분 분석) : 내재된 경향성 추출
    • LDA, SVD, NMF : 자연어쪽에서 사용, 성분 분리, . . .

 

---

준지도학습 -> 전처리 + 모델 (생략)

 

---

• 데이터중 일부는 정답이 존재(지도학습) + 일부는 정답이 없다 (비지도학습)

 

---

강화학습

 

---

• 이벤트
  • 2015(2016?) 알파고 바둑대전
• 특징
  • 데이터 x (없어도 가능함)
  • 게임의 룰 필요(유한 게임:바둑, 장기, 체스, 스타크래프트, . . .)
• 구성
  • 에이전트 -> 학습의 대상
    • 미로게임에서 주인공 (일반적으로 마우스), 무인도에서 탈출|생존하려는 조난자
    • 바둑기사, 게임 플레이어
    • 게임판 (게임이 구동되는 환경)
    • 정책 (게임의 룰)
    • 행동 (액션)
    • 보상(행동을 강화-> 이득을 위한, 리워드) -> 보상을 많이 받는 방향으로 행동 강화 -> 똑똑해짐.
• 학습전략
  • 에이전트는 행동을 잘 하도록 (보상을 많이 받게) 강화됨

 

---

EDA 및 피처 엔지니어링

• 데이터 준비- 머신러닝에 적합한 구조
• 모델의 성능을 높이기 위해

 

---

• 개인의 능력치를 확인하는 분야
  • 데이터 처리 (전처리, 가공, 재구성, 생성, . . .)
• EDA
  • 시각화 -> 데이터 전처리에 대한 목표, 대상, 방식, 처리 등등 포착, 검증 등 진행
• 피처 엔지니어링(특성 공학)
• 통계상 등장하는 (정규)분포 처리
  • 정규분포 (표준편차 1, 평균 0로 하는 데이터 분포를 가진 데이터를 대표하는 형태)
  • 통계 : 균등, 이항, 푸아송, 음이항, 지수 확률분포 등등, . . .
  • 데이터가 특정 분포를 따른다 => 예측 가능하다 -> 머신러닝 모델의 성능이 향상된다.
  • 데이터 전체 조정 -> 스케일링
    • 데이터 전체를 0 ~ 1 사이로 변환 처리(예시)
      • 비율로 나눠서 데이터 비교하려고 바 차트에서 했던거(오렌지색,파란색)
    • StandardScaler => 모든 데이터를 정규분포를 따르도록 조정 (스케일링)
    • MinMaxScaler => 최소값 0 , 최대값 1 나머지는 이 범위에 맞춰 조절 => 0 부터 1 사이에 모두 값이 존재하게 됨,
    • 정답
      • 로그 변환,...
• 전처리
  • 피처(특성,컬럼) 제거(혹은 선택)
    • 중요 피처
  • 결측치 처리
  • 이상치 처리(outlier)
  • 피처 생성(파생 변수)
• 데이터 최종 형태
  • 학습용
    • 모델 성능을 향상시키기 위한 용도
  • 검증용
    • 학습중 모델의 과적합 방지 용도
  • 테스트용
    • 모델 성능 검증용
  • 총 3가지 형태
• 데이터 분할 비율 (권장, 절대값은 아님)
• 학습 : 테스트 = 75:25
• 학습 : 검증 : 테스트 = 50:25:25
  • 75비율에서 세트를 3, 5, 7 등등 조절
    • 검증은 1/3, 1/5, 1/7 등등 조정
• 데이터가 충분히 많을때 적용 => 비율 언제든 조정 가능함.

 

---

학습

 

---

• 특징
  • 학스 데이터가 많으면, 피쳐(특성)가 많아도 시간 오래걸림
  • 자연어 데이터가 가장 오래 걸림
• 기본 학습
  • 모델 학습 : 훈련 데이터
  • 모델 성능 평가용 : 테스트 데이터
  • 모델 검증/과적합/과소적합/ : 검증 데이터
    • 교차 검증 방식 학습 -> 폴드 (K-Fold)
      • 폴드
        • K-Fold
          • 정답의 종류별 분포가 균등할때
          • 정답 1일 50%, 정답 2가 50%
        • 층화 K-Fold
          • 정답의 종류별 분포가 불균등할때
          • 정답 1일 70%, 정답 2가 30%
            • 데이터를 학습용, 검증용, 훈련용 등 분할할때 항상 7:3을 비율유지하도록 분할하는 기법을 적용

 

---

predict

 

---

• 모델이 수행하는 업무
  • 분류 => 판별
  • 회귀 => 예측
• 군집 => 라벨링 결론 => 새로운 피처 모델이 수행하는 업무
  • 분류 => 판별
    • 회귀 => 예측
    • 군집 => 라벨링 결론 => 새로운 피처
• 차원축소 => 피쳐 축소, 새로운 피쳐 생성

 

---

성능평가

 

---

• 지도 학습
  • 분류 -> 정답이 범주형, 수치형 -> 이산형
    • 혼동행렬(오차행렬)을 이용
      • 정확도, 정밀도, 재현률, f1-score
      • ROC, AUC
      • 대표적 표현 : 정확도가 100%에 가까울수록 좋은 모델이다.
  • 회귀 -> 정답이 수치형 -> 연속형
    • 손실함수(오차값)
      • 오차 = 손실 = 정답<-> 예측
      • RMSE, MSE, MSLE, . . . 함수 제공함
• 군집
  • 입실론계수

 

---

최적화 -> 에자일 방식(다시 알고리즘부터 재검토)

 

---

• 하이퍼 파라미터 튜닝
  • 하이퍼 파라미터는 모델성능에 큰 영향을 미치는 파라미터임
  • 튜닝 : 미세조정 -> 학습 -> 예측 -> 평가 -> 미세조정 -> . . . -> 목표치 도달(평가값) -> 종료
  • 도구
    • 그리드 서치 -> 모든 조합으로 테스트
    • 랜덤 서치 -> 조합을 랜덤으로 테스트
    • 베이지안 최적화 -> 초기는 랜덤으로, 이후는 미세조정으로 -> 시간 많이 소요됨
• 파이프라인
  • 데이터 수집 - 전처리 - 학습 - 예측 - 평가
  • 제품화 : 전처리 - 학습 - 예측 - 평가 - 최적화
    • AutoML

 

---

써드파트 (AutoML, 자동머신러닝)

 

---

• 복잡한 과정(공정)은 자동화 처리
  • 데이터, 세팅값 입력 => 학습 => 모델 결론 제공받음

 

---

 

라이브러리특징지원 모델기타 특징

PyCaret	간편한 API와 자동화된 머신러닝 워크플로우 제공	회귀, 분류, 클러스터링, 이상 탐지, 시계열 분석 등	자동 하이퍼파라미터 튜닝, 모델 해석 기능 제공, 다양한 데이터 전처리 기능
H2O.ai (H2O AutoML)	분산 처리와 빠른 모델 학습, 다양한 알고리즘 지원	랜덤 포레스트, XGBoost, 딥러닝, GLM, 스탠다드 ML 모델 등	분산 학습, 고급 모델 해석 제공, 대규모 데이터 처리에 적합
TPOT	유전 알고리즘을 활용한 모델 최적화	Scikit-learn 모델 (랜덤 포레스트, SVM 등)	유전 알고리즘을 통한 자동 모델 탐색, 하이퍼파라미터 튜닝
Auto-sklearn	Scikit-learn을 기반으로 한 AutoML, 하이퍼파라미터 튜닝과 모델 선택 자동화	Scikit-learn 모델 (랜덤 포레스트, SVM 등)	베이지안 최적화 알고리즘 기반의 튜닝, 앙상블 모델 자동 생성
Google Cloud AutoML	클라우드 기반의 AutoML, 다양한 데이터 타입 지원	이미지, 텍스트, 비디오, 테이블 데이터 관련 모델	클라우드 환경에서 모델 학습 및 배포, 직관적인 UI 제공
MLJar	간단한 사용법과 자동화된 머신러닝 워크플로우 제공	회귀, 분류 모델, 트리 기반 모델 등	웹 기반 결과 분석, 모델 배포 및 공유 용이
Autogluon	딥러닝과 전통적인 머신러닝 모델 지원, 다양한 데이터 타입 지원	이미지, 텍스트, 테이블 데이터 관련	효율적인 하이퍼파라미터 튜닝, 자동화된 데이터 전처리 및 모델 학습
FastAI	딥러닝에 특화된 AutoML, 빠르고 효율적인 모델 학습 지원	CNN, RNN, 텍스트 분석 등 딥러닝 모델	PyTorch 기반, 학습 속도 빠르고 복잡한 튜닝을 간소화

• 용도별 선택
  • 딥러닝에 집중하려면 FastAI나 Autogluon
  • 분산 환경에서 빠르게 모델을 학습하고 싶다면 H2O.ai
  • 간편한 사용을 원한다면 PyCaret

 

---

모델 덤프

 

---

• 모델 저장
  • 파일
  • AWS s3 업로드
• 모델 관리
  • MLOps 기반 모델의 생애주기 관리, 트레킹, 로깅, API(엔드투엔드)
  • 모델 서빙 -> API 구축 -> 서비스를 제공
  • MLflow등 제품 준비되어있음

---

연구 목표 수립

 

---

 

• 요구사항 분석
  • 파파고, 구글, 카카오번역 등에서 제공되는 언어감지 기능을 제공하는 모델 생성
  • 언어감지는 오직 알파벳 문자를 사용하는 국가만 처리
  • 모델은 머신러닝 기법 사용
    • 미국, 프랑스, 인도네시아, 타갈리아 요구사항 분석
      • 파파고, 구글, 카카오번역 등에서 제공되는 언어감지 기능을 제공하는 모델 생성
        • 언어감지는 오직 알파벳 문자를 사용하는 국가만 처리
          • 미국, 프랑스, 인도네시아, 타갈리아
        • 모델은 머신러닝 기법 사용
• 배경 논문
  • XX 논문 참고
    • A - Z 까지 알파벳 문자를 사용하는 국가의 문자의 사용 빈도는 국가별로 상이하다.
    • 해당 빈도는 사람의 인지능력으로는 구분 X (어렵다) AI를 이용하여 학습 후 해결
  • 데이터 분석을 통해서 인사이트 도출
• 방법
  • 공통의 내용을 각국 언어로 표현한 문서 필요
    • 성경, 소설, 윈도우 설명서, . . . -> 텍스트가 필요함
  • 텍스트 => 알파벳 추출 (나머지 문자는 노이즈) => 빈도 계산( ord() )
  • 데이터
    • 컨셉상 소량 제공 (학습시간 짧음, 과대적합 가능성 높음)
    • 모델에 대한 신뢰성 저하 (감안하고 진행)
  • 정확도 무시
  • 지도학습 - 분류 (다중분류) 답이 4개(영어,프랑스,인도네시아,타갈리아)
  • 형태
    • 말뭉치 (코퍼스) 제공 -> 정제 -> 빈도 추
    • ( ? , 26 + 1 )
      • 26개의 피처(특성,컬럼)
        • 문자 a의 빈도, b의 빈도, c의 빈도,,,z의 빈도
        • 독립변수
      • 1개의 라벨(정답, 클래스)
        • 4개의 값을 가지고 있음(종류가 4개)
        • 'en', 'fr' , 'id' , 'tl' 영어,프랑스,인도,타갈리아
        • 종속변수
• 모델
  • 판별모델
    • 이 말뭉치는 영어 | 프랑스어 | 인도네시아어 | 타갈리아어(필리핀) 이다.
    • 정확도 x% (AI> 머신러닝 > 지도학습 > (다중) 분류)

• 데이터 수집

   

  ---

   

  • level 1
    • 데이터 제공
    • '/content/drive/MyDrive/GoodNotes/t아카데미/7. data_analysis_ml_dl_llm/lang'

lang이라는 폴더를 제공받았다.

lang > train 폴더에 있는 모든 파일 가져오는 함수 생성

데이터 준비/전처리

 

---

• 목표
  • 말뭉치 -> .... -> ( n , 26(독립 변수,부동소수) + 1(종속 변수,문자열))
  • 말뭉치 -> 노이즈 제거(알파벳 제외한 모든 문자), 정규식 활용 -> 소문자 변환 -> 빈도 계산 -> 0 ~ 1 사이로 빈도를 정규화처리 (피쳐 스케일링) -> ( n , 26 + 1) : ndarray or DataFrame or 2차원 리스트, (n , 1)

최종 목표

 

정답 (라벨, 종속변수) 데이터 획득

여기서 말하는 정답은 진짜 정답이 아니라 정답형 데이터를 획득한다는 뜻이다.

현재 네 나라의 언어로 번역하기로 했으므로 각 데이터의 나라코드를 출력하는 함수를 만들었다.

 

특성 (피처, 독립변수) 데이터획득

import re # 정규식용 라이브러리
from string import ascii_lowercase
def get_feature(file):
  '''   
      parameter
    - file : 특정 말뭉치(코퍼스) 1개의 파일 풀 경로
  '''
  print(file)
  
  # 0.            정규식 패턴 정의
  # []          : 문자 클래스, 문자 1개를 표현
  # a-z         : 소문자 a,b,c,,,z 를 표현
  # ['a-z']     : 소문자중 1개만 등장
  # [^'문자열'] : 해당 문자를 제외한 모든 문자가 1개 올 수 있다. => 노이즈
  # [^'a-z']    : 소문자를 제외한 모든 문자 중 1개만 올 수 있다.
  # * : 0 ~     : 무한대로 반복해서 문자가 등장할 수 있다.
  # [^'a-z']*   : 소문자를 제외한 모든 문자들이 0 ~ 무한대로 등장할 수 있다.
  pattern = re.compile('[^a-z]*')
  # 0-1. 고정값 상수 정의
  A_ASCII = ord('a')

  # 1. 파일 오픈 -> 읽기
  with open( file ) as f:
    data = f.read().lower() # 2. 소문자 처리

  # 3. 정규식 노이즈 제거 
  data = pattern.sub('',data) # 원 데이터에서 패턴에 잡히는 모든 문자를 ''로 대체처리
  print(data)

  # 4. a-z까지 총 26개의 문자의 빈도를 담을 그릇 준비, 초기값 0
  counts = [0] * len(ascii_lowercase) # = 26
  print(counts)

  # 5. data에서 문자 1개씩 추출하여 문자가 발견되면 count +1
  # z-a , b-a => 해당 문자의 빈도를 담을 위치를 계산 0번방 a 1번방 b 

  for ch in data:
    counts[ ord(ch) - A_ASCII ] += 1
  print(counts)

  # 6. 최소값과 최대값 사이의 거리 혹은 데이터 분포상 분산(혹은 표준편차)단위등이 큰 격차를 가졌다면
  # => 스케일링 필요 -> 예측 정확도에 도움이 됨 -> 0 ~ 1
  # 개별빈도 / 전체 빈도

  전체빈도 = len(data)
  counts_norm = [ 개별빈도 / 전체빈도 for 개별빈도 in counts ] #  [ 0.xx, 0.xx, 0.xx, , ,]
  print(counts_norm)
pass

get_feature(train_files[3])

넘 길어서 코드블럭으로 가져왔다.

 

결과값

/content/drive/MyDrive/GoodNotes/t아카데미/7. data_analysis_ml_dl_llm/lang/train/id-12.txt
hierarkiklasifikasibiologimakhlukhidupspesiesataujenisadalahsuatutaksonyangdipakaidalamtaksonomiuntukmenunjukpadasatuataubeberapakelompokindividupopulasiyangserupadandapatsalingmembuahisatusamalaindidalamkelompoknyasalingmembagigennamuntidakdapatdengananggotakelompokyanglainanggotaanggotadalamsuatuspesiesjikasalingberkawindapatmenghasilkanketurunanyangfertiltanpahambatanreproduktifdapatterjadisejumlahkelompokdalamsuatuspesiestidaksalingberkawinkarenahambatangeografisnamunbiladipertemukandandikawinkandapatmenghasilkanketurunanfertilduaspesiesyangberbedajikasalingberkawinakanmenghadapimasalahhambatanbiologisapabilamenghasilkanketurunanyangsehatketurunaninibiasanyasterilmanduldefinisiinipadabeberapakasustidakdipenuhisehinggamunculmasalahspesiesdalamkasuskasustersebutukuranyangseringdigunakanuntukmenentukanspesiesberbedabedasepertikesamaandnamorfologiataurelungekologilebihjauhlagimunculnyaciricirikhastertentudapatmembagispesiesmenjaditaksonyanglebihkecilsepertiupaspesiesdalambotanidisebutjugavarietassubvarietasdanformaespesiesspesiesyangdihipotesiskanmemilikinenekmoyangyangsamaberdasarkankesamaankesamaanditempatkandalamsatugenuskesamaanspesiesdinilaiberdasarkanperbandinganatributfisikdanjikatersediasekuensdnamerekasemuaspesiesdiberikannamadalamduabagianyangdisebutnamabinomialatauhanyabinomialbagianpertamadaribinomialadalahnamagenerikyaitugenusdarispesiestersebutbagiankeduaadalahyangdisebutnamaspesifikistilahyangdigunakanhanyadalamzoologiatauepitetspesifikistilahyangdigunakandalambotaniyangjugadapatdigunakandalamzoologimisalnyaboapembelitadalahsalahsatudariempatspesiesdarigenusboanamagenusdimulaidenganhurufkapitalsedangkanepitetspesifiktidakbinomialditulisdalamhurufmiringsaatdicetakdandigarisbawahiketikaditulistanganspesiesjikadisebutdalamnamailmiahdisingkatdenganspcontohphalaenopsisspberartisejenisphalaenopsisjikajamakdisingkatdengansppdefinisiyangdapatdigunakandarikataspesiesdanmetodemetodeyangandaluntukmengidentifikasispesiesspesiestertentupentinguntukmenyatakandanmengujiteoriteoribiologisertamengukurkeanekaragamanhayatimeskipuntingkattingkattaksonomilainsepertifamiliasukujugadapatdipertimbangkandalamstudiberskalalebihluasspesiesspesiesyangtelahpunahhanyadiketahuidarifosilfosilnyayangbiasanyasulituntukmenentukantingkatantaksonominyasecarapastisehinggatingkattaksonomiyanglebihtinggisepertifamiliaseringdignakanuntukstudistudiberbasisfosilpadataksonomihewanterdapatsatutingkattaksondibawahspesiessubspesiesdisingkatsspnamunbiasanyatidakditulispadanamailmiahhewanpadataksonomitumbuhanfungidanbakteriterdapattaksonlaindibawahsubspesiesvarietassubvarietasdanformajumlahtotalspesiesnonbakterildannonarkealdiduniadiestimasikanjutadengankisaranestimasisebelumnyadariduahinggaseratusjutadaftarisisejarahdanpengembangankonseplihatpulareferensipranalaluarsejarahdanpengembangankonsepsuntingsuntingsumberjohnraycarllinnaeusyakinpadapenetapanspesiespadakaryakaryasainspalingawalspesiessecarasederhanaadalahsuatuorganismeindividualyangmerepresentasikansekelompokorganismeyangserupaataumendekatiidentiktidakadahubunganlaindiluarkelompokituyangtersirataristotelesmenggunakankatagenusdanspesiesuntukkategorikategoriumumdanspesifikaristotelesdanilmuwanilmuwanlainmemilihspesiessebagaipembedadanbersifattetaptidakberubahdenganesensisepertiunsurkimiasaatparapenelitipenelitiawalmulaimengembangkansistemorganisasimakhlukhidupmerekamulaimenempatkanspesiesspesiesyangsebelumnyatelahdiisolasikedalamsebuahkonteksbanyakskemagambaranawalinidianggapanehdanskemainimenyertakanhubungankekerabatanberdasarkanwarnasemuatanamandenganbungakuningatauperilakuularkalajengkingdansemuttertentuyangmenyengatjohnrayseorangnaturalisinggrisadalahilmuwanpertamayangmemberikandefinisibiologisistilahspesiessebagaiberikuttidakadakriteriayanglebihpastidalammenentukanspesiesbagisayaselainpenampilanfiturkhususyangmembedakanmerekasetelahtumbuhkembangdarisumberbenihketurunansehinggatidakmasalahvariasivariasiapapunyangterjadipadaindividuindividuatauspesiesspesiestersebutapabilamerekatumbuhkembangdarisumberbenihketurunanyangsamavariasivariasitersebutadalahvariasivariasitersasuldanbukankarenavariasiitudilakukanpembedaanspesiesdemikianpuladenganhewanhewanhewanyangberbedasecaraspesifiksecarapermanenmembedakanspesiesmerekasatuspesiestidakpernahtumbuhkembangdaribenihketurunanspesieslainatausebaliknyapadaabadkeilmuwanswediacarllinnaeusmengklasifikasikanorganismseberdasarkankarakteristikkarakteristikfisikbersamadantidakhanyasesederhanaberdasarkanperbedaanperbedaaniajugamemunculkanidehirarkitaksonomihierarchyklasifikasiberdasarkankarakteristikkarakteristikyangdapatdiamatidandimaksudkanuntukmencerminkanhubunganyangalaminikolaiivanovichvavilovmengembangkankonsepmengenaispesieslinnaeussebagaisistemdefinitifnivavilovmenunjukkantidakadanyaspesiesmonotipeyaituspesiesyangdiwujudkandalamberbagaibentukvavilovmemformulasikansebuahkonsepspesiespolitipepadakongresbotaniinternasionalkedicambridgepadaagustusmengedepankanideideberbagaibentukspesiesrelativitaskriteriataksonomidanteoriakumulasiperiferalkarakterresesifdarisudutpandangevolusitersebutiamenganggapspesiessebagaisimpulsimpuldalamrantaievolusivavilovmencobamenemukandefinisiaforismedarihaltersebutmenurutahlibotaniyangkemudianjugaterkenalvlkomarovspesiesadalahsuatusistemmorfologisditambahdengankeunikangeografismengelaborasihalinivavilovmendefinisikanspesieslinnaeussebagaisebuahsistemmorffisiologisdinamiskompleksterisolasiyangterikatpadaasalnyapadalingkungandanwilayahtertentuhalinimengarahpadapemahamankonsepspesieslinnaeussebagaientitasyangtidakterpisahkanterdiriataskomponenkomponenyaitusatukesatuandanbagianbagianyangtergabungyangsalingterkaiteratlihatpulasuntingsuntingsumberspesiesterancamkoinofiliaspesiescincinspesiasisistematikareferensisuntingsuntingsumberabsahneysbentonmjferrypalinksbetweenglobaltaxonomicdiversityecologicaldiversityandtheexpansionofvertebratesonlandbiologylettersdoirsblpmcpmidsahneysandbentonmjrecoveryfromthemostprofoundmassextinctionofalltimepdfproceedingsoftheroyalsocietybiologicaldoirspbpmcpmidmoractittensorderekpadlsinasimpsonalastairgbwormborisetalmacegeorginamedhowmanyspeciesarethereonearthandintheoceanplosbiologyedoijournalpbiopmcpmidgoldenbergsuzanneplanetearthishometomillionspeciesscientistsestimatetheguardianlondondiarsipkandariversiaslitanggaldiaksestanggaljusthowmanyspeciesarethereanywaysciencedailydiarsipkandariversiaslitanggaldiaksestanggalhistoriaplantarumgeneralisdalamvolumediterbitkanpadatomeilibrichapxxhlmdikutipdalammayrernstthegrowthofbiologicalthoughtdiversityevolutionandinheritancecambridgemassbelknappressdavisphheywoodvhprinciplesofangiospermtaxonomyhuntingtonnewyorkrobertekriegerpublishingcompanyprevealjameslpringlejamesstaxonomicbotanyandfloristicsfloraofnorthamericanewyorkandoxfordoxforduniversitypressppisbnsimpsongeorgegaylordprinciplesofanimaltaxonomynewyorkandlondoncolumbiauniversitypressppvavilovnithelinneanspeciesasasystemfifthinternationalbotanicalcongresscambridgeaugustreportofproceedingscambridgeuniversitypressppkurlovichboguslavswhatisaspeciesbiodiversityoflupinsdalambahasainggrisdiaksestanggalcsmaintunrecognizedlanguagelinkpranalaluarsuntingsuntingsumberlihatinformasimengenaispesiesdiwiktionarywikispeciesmempunyaiinformasimengenaispecieswikimediacommonsmemilikigalerimengenaispeciesspeciesjurnalpembuatankodebatangspesiescatalogueoflifenamaspesieseropadalamlinnaeusbahasaceskainggrisjermandanperancisspesiasientrifilosofidarispesiespadaensiklopediastanfordvisualtaxawikispeciesdirektorispesiesbebasyangdapatdieditsiapapundariwikimediafoundationartikelbertopikbiologiiniadalahsebuahrintisanandadapatmembantuwikipediadenganmengembangkannyalbsklasifikasiilmiahmagnordoseksizoodomainsuperkerajaansuperfilumsuperdivisisuperkelassuperordosuperfamiliasupertribuskerajaanfilumdivisikelaslegionordofamiliatribusgenusspesiesupakerajaanupafilumupakelaskohortupaordoupafamiliaupatribusupagenusupaspesiesinfrakerajaancabanginfrafiluminfrakelasinfraordoseksibotvarietasmikrofilumparvkelasparvordoseriforma
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
[1171, 196, 73, 313, 741, 88, 269, 147, 796, 42, 301, 295, 305, 672, 282, 276, 0, 370, 646, 403, 322, 64, 40, 11, 108, 5]
[0.1475554435483871, 0.02469758064516129, 0.00919858870967742, 0.03944052419354839, 0.09337197580645161, 0.011088709677419355, 0.03389616935483871, 0.01852318548387097, 0.1003024193548387, 0.005292338709677419, 0.037928427419354836, 0.03717237903225806, 0.03843245967741935, 0.0846774193548387, 0.03553427419354839, 0.03477822580645161, 0.0, 0.04662298387096774, 0.08140120967741936, 0.05078125, 0.04057459677419355, 0.008064516129032258, 0.005040322580645161, 0.0013860887096774194, 0.013608870967741936, 0.0006300403225806451]

 

리뷰시간의 과제는 train과 test의 피처 데이터를 구성하는 함수를 가져오는것이다.

 

---

오늘의 수업은 여기까지.

리뷰랑 과제가 많다.