일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 |
Tags
- 인터럽트
- 텐서플로우
- 스위치
- Switch
- Linux
- Generalized forward
- 밑바닥부터 시작하는 딥러닝
- 딥러닝
- 리눅스
- Router
- file descriptors
- 신경망 첫걸음
- Class Activation Map
- 디바이스 드라이버
- TensorFlow
- RDT
- 운영체제
- 3분 딥러닝
- 신경망
- 모두를 위한 딥러닝]
- 모두를 위한 딥러닝
- LED 제어
- LED
- demultiplexing
- GPIO
- Network layer
- Interrupt
- function call
- Transport layer
- 펌웨어
Archives
- Today
- Total
건조젤리의 저장소
12-6. RNN with time series data (stock) 본문
김성훈 교수님의 강의내용을 정리한 내용입니다.
출처 : http://hunkim.github.io/ml/
시간에 따라 변하는 데이터를 Time series data라고 한다.
시간에 따른 주가 데이터를 가지고 있는 데이터 셋을 이용하여 주가 예측을 수행해보자.
Many to one 구조를 사용할 것이다.
일주일 간의 데이터를 넣고 그 다음날의 주가를 예측하는 구조이다.
Input길이는 5, seqence길이는 7, Output길이는 1임을 알 수 있다.
전체 데이터의 값의 분포가 들쑥날쑥하게 되어 있으므로 MinMaxScaler를 이용하여 조정해준다.
Y의 값은 Close값만 이용할 것이다.
데이터 중 70%를 학습에 사용할 것이다.
우리는 RNN과 FC레이어를 연결해 사용할 것이다.
output의 마지막 값(다음 날의 주가)을 FC레이어와 연결시켜 준다.
출력값이 하나이므로 sequence_loss가 아닌 제곱 오차를 쓴다.
학습된 결과는 다음과 같다.
학습된 데이터와 굉장히 유사하다.
(하지만 자세히 살펴보면 예측값이 바로 이전의 값을 흉내낸다고 느껴진다... ,
이 모델이 주가를 정확히 예측하는 모델이라고 생각하기엔 무리가 있다.)
'공부 기록 > 모두를 위한 딥러닝 (Basic)' 카테고리의 다른 글
12-5. Dynamic RNN (0) | 2019.11.14 |
---|---|
12-4. Tensorflow를 이용한 RNN + Softmax layer 구현 (0) | 2019.11.13 |
12-3. Tensorflow를 이용한 RNN 예제 실습 (0) | 2019.11.13 |
12-2. Tensorflow를 이용한 RNN 기초 실습 (0) | 2019.11.13 |
12-1. RNN (0) | 2019.11.13 |
Comments