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
- Class Activation Map
- 신경망
- 디바이스 드라이버
- Linux
- RDT
- LED 제어
- Router
- Network layer
- Switch
- 모두를 위한 딥러닝]
- 운영체제
- 밑바닥부터 시작하는 딥러닝
- 3분 딥러닝
- Transport layer
- function call
- demultiplexing
- 펌웨어
- LED
- GPIO
- 리눅스
- Generalized forward
- 딥러닝
- 신경망 첫걸음
- Interrupt
- 텐서플로우
- TensorFlow
- 스위치
- 인터럽트
- file descriptors
- 모두를 위한 딥러닝
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/
모두를 위한 머신러닝/딥러닝 강의
hunkim.github.io

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 |