#40: Translate 3.6 - Paragraph 1 / 9

40_Keras와 Jupyter Notebook으로 시작하는 딥러닝/3.6-classifying-newswires.ipynb

@@ -32,6 +32,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
+    "### Paragraph 1 : Original\n",
     "# Classifying newswires: a multi-class classification example\n",
     "\n",
     "This notebook contains the code samples found in Chapter 3, Section 5 of [Deep Learning with Python](https://www.manning.com/books/deep-learning-with-python?a_aid=keras&a_bid=76564dff). Note that the original text features far more content, in particular further explanations and figures: in this notebook, you will only find source code and related comments.\n",
@@ -51,28 +52,24 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "# Classifying newswires: a multi-class classification example\n",
+    "### Paragraph 1 : Tranlation\n",
+    "# 신문기사 분류해보기 : 다중 클래스 분류 예제\n",
     "\n",
     "이 Notebook은 Deep Learning with Python의 3장 5절에 나오는 예제 코드가 포함되어 있습니다.  \n",
     "원본 텍스트(Deep Learning with Python)에 훨씬 더 많은 자료, 특히 추가 설명과 그림들이 포함되어 있습니다.  \n",
     "여기에서는 예제 코드와 코드에 관련된 설명만 제공됩니다.\n",
     "\n",
     "----\n",
     "\n",
-    "앞절에는 우리는 densely-connected neural network를 이용해서 상호 베타적인 두 개의 클래스를 분류하는 방법을 배웠습니다. 그렇다면 분류해야 하는 클래스가 두 가지 이상이라면 어떻게 해야할까요? 이번 장에서는 뉴스 레터들(Reuters newswires)를 46개의 상호-베타적인 주제로 분류해 보도록 하겠습니다. 이 를 \"다중-클래스 분류\" 문제라고 합니다.     \n",
-    "\n",
-    "\n",
-    "In this section, we will build a network to classify Reuters newswires into 46 different mutually-exclusive topics. Since we have many \n",
-    "classes, this problem is an instance of \"multi-class classification\", and since each data point should be classified into only one \n",
-    "category, the problem is more specifically an instance of \"single-label, multi-class classification\". If each data point could have \n",
-    "belonged to multiple categories (in our case, topics) then we would be facing a \"multi-label, multi-class classification\" problem.\n",
-    "\n"
+    "앞절에는 우리는 densely-connected neural network를 이용해서 상호 베타적인 두 개의 클래스를 분류하는 방법을 배웠습니다. 그렇다면 분류해야 하는 클래스가 두 가지 이상이라면 어떻게 해야할까요? 이번 장에서는 뉴스 레터들(Reuters newswires)을 46개의 상호-베타적인 주제로 분류해 보도록 하겠습니다. 이를 \"다중-클래스 분류\" 문제라고 합니다. \"다중-클래스\" 라고 부르는 이유는 분류해야 할 클래스들이 많기 때문입니다. 그리고 더불어 각 데이터 포인트가 오로지 한 카테고리 안에 속하는 경우에 \"단일-레이블, 다중-객체 분류\" 문제라고 합니다. 만약 각 데이터 포인트가 여러 카테고리에 속한다면, 이를 \"다중-레이블, 다중-클래스 분류\" 문제라고 합니다.\n"
    ]
   },
   {
    "cell_type": "markdown",
    "metadata": {},
    "source": [
+    "\n",
+    "### Paragraph 1 : Original\n",
     "## The Reuters dataset\n",
     "\n",
     "\n",
@@ -277,6 +274,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
+    "# Paragraph 3\n",
     "## Preparing the data\n",
     "\n",
     "We can vectorize the data with the exact same code as in our previous example:"
@@ -360,6 +358,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
+    "# Paragraph 4\n",
     "## Building our network\n",
     "\n",
     "\n",
@@ -428,6 +427,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
+    "# Paragraph 5\n",
     "## Validating our approach\n",
     "\n",
     "Let's set apart 1,000 samples in our training data to use as a validation set:"
@@ -701,6 +701,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
+    "# Paragraph 6\n",
     "## Generating predictions on new data\n",
     "\n",
     "We can verify that the `predict` method of our model instance returns a probability distribution over all 46 topics. Let's generate topic \n",
@@ -803,6 +804,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
+    "# Paragraph 7\n",
     "## A different way to handle the labels and the loss\n",
     "\n",
     "We mentioned earlier that another way to encode the labels would be to cast them as an integer tensor, like such:"
@@ -851,6 +853,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
+    "# Paragraph 8\n",
     "## On the importance of having sufficiently large intermediate layers\n",
     "\n",
     "\n",
@@ -953,6 +956,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
+    "# Paragraph 9\n",
     "## Further experiments\n",
     "\n",
     "* Try using larger or smaller layers: 32 units, 128 units...\n",