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

60

1

부

프레임워크

●

알엠에스프랍

알엠에스프랍

RMSProp

은 제곱 평균 제곱근 전파의 줄임말로, 학습률이 자동으로 변하고 각 매개변수의

학습률이 다르다.

●

아담 (조정적 순간 예측 )

아담은 에이다그레이드와 알엠에스프랍 알고리즘을 결합해 최적화를 수행하며, 인기가 가장 많은 경사

하강 최적화 알고리즘이다.

에폭

전체 훈련 데이터셋에 대해 신경망을 갱신하는 주기를 에폭이라고 한다. 데이터 크기와 계산적

제한에 따라 수십, 수백 혹은 수천 번의 에폭으로 신경망을 훈련한다.

배치 크기

배치 크기는 정방향/역방향 전달로 훈련하는 예제의 횟수로, 배치 크기가

32

라는 것은 모델 가

중치를 갱신하기 전에 훈련 데이터셋으로부터

32

개 샘플을 사용해 오차 경사를 예측한다는 뜻

이다. 배치 크기가 클수록 메모리 공간이 많이 필요하다.

3.2

인공 신경망 모델 생성

2

장에서는 파이썬으로 종단 간 모델 개발을 위한 단계를 살펴보았다. 이 절에서는 파이썬을 이

용한 인공 신경망 모델의 구현 단계를 상세히 다룬다.

3.2.1

케라스 및 머신러닝 패키지 설치

알고리즘을 자세히 살펴볼 필요 없이 쉽고 빠르게 인공 신경망과 딥러닝 모델을 만들 수 있는

파이썬 라이브러리가 있다. 케라스는 가장 사용자 친화적인 패키지로 인공 신경망에 필요한 수

치 계산을 효율적으로 실행한다. 케라스를 이용해 단 몇 줄의 코드로 복잡한 딥러닝 모델을 정

의하고 구현할 수 있다. 이 책에서 제시하는 몇 가지 실전 문제에서는 딥러닝 모델을 구현하기

위해 케라스 패키지를 우선적으로 ...