금융 전략을 위한 머신러닝: 19가지 사례를 통해 익히는 금융 전략, 머신러닝, 데이터 과학

416

4

부

강화 학습과 자연어 처리

[‘china’, ‘data’, ‘earning’, ‘google’, ‘jumps’, ‘plunge’, ‘price’, ‘stock’, \

‘today’]

(2, 9)

[[0. 0.29017021 0.4078241 0.29017021 0.4078241 0.

0.4078241 0.4078241 0.4078241 ]

[0.57615236 0.40993715 0. 0.40993715 0. 0.57615236

0. 0. 0. ]]

제공된 코드에 있는

9

개 단어의 어휘를 문서에서 학습한다. 각 단어에는 출력 벡터에서 고유한

정수 인덱스를 할당한다. 문장은

9

개 요소를 가진 희소 배열로 인코딩되며 한 어휘 안에서 다

른 단어들과 값이 다른 각 단어의 최종 점수를 검토할 수 있다.

단어 임베딩

단어 임베딩은 조밀한 벡터 표현을 사용해 단어와 문서를 나타낸다. 임베딩에서 단어는 조밀한

벡터로 표현된다. 벡터는 연속 벡터 공간으로의 단어 투영을 나타낸다. 벡터 공간에서 단어의

위치는 텍스트에서 학습되며 단어를 사용할 때 단어를 둘러싼 단어를 기반으로 한다. 학습된

벡터 공간에서 단어의 위치를 임베딩이라고 한다.

텍스트에서 단어 임베딩을 학습하는 모델에는

word2Vec

,

spaCy

의 사전 학습된 단어 임베

딩 모델,

GloVe

가 있다. 이와 ...