프롬프트
Zero - Shot
- 별도의 입출력 예시 없이 지시문과 입력 데이터 만으로 결과를 도출하는 방식
- 명확하고 구체적인 지시어와 출력 형식 지정이 중요함
- 번역, 요약, 단순 분류 등 모델의 사전 학습 지식으로 출분히 해결 가능할 떄 자주 사용
Few - Shot
- 원하는 출력 형태, 논리 구조, 분류 기준을 모델에게 명확히 전달하기 위해 몇 가지 예시를 제시한 후 질문하는 방식
- 예시의 개수와 패턴의 일관성이 출력 품질을 좌우한다.
- 정형화된 JSON 헝태 출력, 브랜드의 고유의 톤앤매너 유지, 복잡한 분류 기준이 필요할 떄 사용
Role
- AI에게 특정 직업, 페르소나, 전문가의 정체성을 지정하여 답변의 전문성, 관점, 어조를 고정 시키는 방식
- 단순한 직업 이름 뿐만 아니라 전문성의 수준, 중점적인 가치관, 행동 형태 등을 함께 지정할 때 성능이 극대화
- 기획서 작성, 전문 자문, 아이디어 스토밍, 특정 페르소나 기반의 문서 작성
Zero - Shot CoT
- 예시 없이 단순 지시문 끝에 추론 유도 문구를 추가하여 복잡한 계산이나 논리적 문제 해결 능력을 끌어올리는 방식
Few - Shot CoT
- 예시 제공시에 정답만 보여주는 것이 아닌 정답에 이르는 중간 추론 단계를 함께 명시 하는 방식
스텝백 프롬프팅
- 사용자의 질의
- 질의에서 필요한 배경지식 도출 (LLM)
- 도출한 배경지식을 활용하여 본 문제 해결
- 환각이나 지식 단절 현상을 방지 할 수 있음
- 기초 원리에 기반한 고품질 대답 가능성 올라감
RTCCF
-
Role [ 역할 ]
-
Task [ 과업 ]
-
Context [ 배경, 지식 ]
-
Contraints [ 제약 조건 ]
-
Format [ 형식 ]
Numpy
배열 ( Array )
-
빠른 데이터 접근을 위해서 같은 자료형으로만 구성 됨
-
메모리상에서 연속된 구조로 되어 있음
-
인덱스 연산자로 접근 가능
-
C언어로 개발 ( 직접 메모리 접근 )
-
dtype: 자료형 명시 (np.int64, np.float64)
이름 구성 bit 0, 1로만 구성 Byte 1byte == 8bit -> -256 ~ 255 -
숫자만 사용 권장
import numpy as np nums = np.array([10, 20, 30]) # 1차원 배열 -> Vector nums # array([10, 20, 30])import numpy as np nums = np.array([10, 20, 30], dtype=np.float64) # dtype 미지정시 자동, 지정시 해당 자료형으로 할당 nums # array([10., 20., 30.])matrix = np.array([ [10, 20, 30], [40, 50 ,60], [70, 80, 90] ]) # 2차원 배열 -> Matrix print(matrix) # [[10 20 30] # [40 50 60] # [70 80 90]] # 3차원 이상의 배열 Tensor배열 선택, 슬라이싱
- matrix[행, 열]
- matrix[0:2, 1:3] # 행 -> 0 ~ 1, 열 -> 1, 2
- matrix[:, 0] : 모든 행의 0번째 컬럼
- matrix[1:, :2] : # 행 -> 1 ~ 끝, 열 -> 0 ~ 1
print('0행 2열 :' , matrix[0][2], matrix[0, 2]) # 0행 2열 : 30 30 / 두 가지 방식으로 접근 가능 print(matrix[0:2, 1:3]) # 행 -> 0 ~ 1, 열 -> 1, 2 # [[20 30] # [50 60]] print(matrix[:, 0]) # [10 40 70] print(matrix[1:, :2]) # [[40 50] # [70 80]]
차원 변경 (reshape, flatten) & 축(Axis)
-
arange(시작, 종료, 증감 단위) : 시작 이상, 종료 미만으로 숫자 생성
arr = np.arange(1, 13) print(arr) # [ 1 2 3 4 5 6 7 8 9 10 11 12] -
reshape(행, 열) : 1차원 배열 -> 지정된 행과 열 구조로 차원수 변경, -1: 자동 결정 옵션
- 요소의 개수를 맞춰주자 arr.reshape(3, 2) -> 오류 발생
mat_3x4 = arr.reshape(3, 4) print(mat_3x4) # [[ 1 2 3 4] # [ 5 6 7 8] # [ 9 10 11 12]] print(arr.reshape(3, -1)) # [[ 1 2 3 4] # [ 5 6 7 8] # [ 9 10 11 12]] print(arr.reshape(4, -1)) # [[ 1 2 3] # [ 4 5 6] # [ 7 8 9] # [10 11 12]] -
flatten() : 2차원 배열 -> 1차원 배열로 평탄화
flat_arr = mat_3x4.flatten() print(flat_arr) # [ 1 2 3 4 5 6 7 8 9 10 11 12] -
축 ( Axis ) : 2차원 배열에서 연산의 방향을 설정
- Axis: 0 -> 행 기준에서 연산
- Axis: 1 -> 열 기준에서 연산
mat = np.arange(1, 7).reshape(2, -1) print(mat) sum_axis0 = mat.sum(axis=0) sum_axis1 = mat.sum(axis=1) print(f'axis0 행 기준 합계: {sum_axis0}') # axis0 행 기준 합계: [5 7 9] print(f'axis1 열 기준 합계: {sum_axis1}') # axis1 열 기준 합계: [ 6 15]
Numpy BroadCasting 연산
-
mat = np.array([ [10, 20, 30], [40, 50, 60] ]) print(mat * 5) # [[ 50 100 150] # [200 250 300]] print(mat + 5) # [[15 25 35] # [45 55 65]] vec = np.array([1, 2, 3]) print(mat + vec) # 각 행에 vec 요소 값이 더해짐 # [[11 22 33] # [41 52 63]]
행렬 전치 ( Transpose ) & 행렬곱 ( @ )
-
객체.transpose() : {행, 열} -> {열, 행} / 전치
-
객체.T == 객체.transpose()
mat = np.array([ [1, 2, 3], [4, 5, 6] ]) print(mat) # [[1 2 3] # [4 5 6]] print(mat.transpose()) # [[1 4] # [2 5] # [3 6]] print(mat.T) # [[1 4] # [2 5] # [3 6]] -
행렬곱 연산 ( @ )
mat1 = np.array([ [10, 20], [30, 40] ]) mat2 = np.array([[1, 2], [3, 4]]) mat3 = mat1 @ mat2 print(mat3) # [[ 70 100] # [150 220]]
Pandas
Series
-
1차원 구조체
scores = pd.Series([90, 85, 88]) print(scores) # index value # 0 90 # 1 85 # 2 88 # dtype: int64
DataFrame
-
2차원(행, 열) 구조체
data = { '이름' : ['김철수', '이영희', '박민수'], '부서' : ['개발', '기획', '개발'], '급여' : [4500, 5200, 4800] } df = pd.DataFrame(data) print(df) # 이름 부서 급여 # 0 김철수 개발 4500 # 1 이영희 기획 5200 # 2 박민수 개발 4800
데이터 탐색 속성 ( shape, dtypes ) & 진단 ( info, describe )
탐색적 데이터 분석 ( EDA )
-
df.info()
- 누락치 확인 ( Non-null count )
- 통계가 가능한 자료형인지 체크 ( 잘못된 데이터의 존재 여부 -> 치환 -> 자료형 변환 )
-
df.describe()
- 평균, 중앙값, 최소, 최대값을 통해서 이상치(극단치)를 확인
print(f'df.info : {df.info()}') print(f'df.decribe : {df.describe()}' )
데이터 변경 & 인덱스 제어 ( set_index, reset_index )
# column 추가하기
df['보너스'] = df['급여'] * 0.1
print(df)
# 이름 부서 급여 보너스
# 0 김철수 개발 4500 450.0
# 1 이영희 기획 5200 520.0
# 2 박민수 개발 4800 480.0# 인덱스 특정 컬럽으로 변경하기
df_indexed = df.set_index('이름')
print(df_indexed)
# 부서 급여 보너스
# 이름
# 김철수 개발 4500 450.0
# 이영희 기획 5200 520.0
# 박민수 개발 4800 480.0# 인덱스를 다시 숫자형 인덱스로 변경하기
df_restored = df_indexed.reset_index()
print(df_restored)
# 이름 부서 급여 보너스
# 0 김철수 개발 4500 450.0
# 1 이영희 기획 5200 520.0
# 2 박민수 개발 4800 480.0Series & DataFrame 브로드캐스팅 연산
- axis:0 -> 행 (row) 인덱스 기준
- axis:1 -> 열 (column) 기준
df = pd.DataFrame({
'중간고사' : [80, 95, 70],
'기말고사' : [85, 90, 75]
}, index=['김철수', '이영희', '박민수'])
print(df)
# 중간고사 기말고사
# 김철수 80 85
# 이영희 95 90
# 박민수 70 75
score_means = df.mean(axis=0) # 행 기준 ( 인덱스 기준 )
print(score_means)
# 중간고사 81.666667
# 기말고사 83.333333
# dtype: float64score_gap = df.sub(score_means, axis=1)
print(score_gap)
# 중간고사 기말고사
# 김철수 -1.666667 1.666667
# 이영희 13.333333 6.666667
# 박민수 -11.666667 -8.333333코테
1. 대문자와 소문자
- 문자열 my_string이 매개변수로 주어질 때
대문자 -> 소문자
소문자 -> 대문자로 변환한 문자열을 반환하자.
def solution(my_string):
answer = ''
for i in my_string:
if i.lower() == i :
answer += i.upper()
else :
answer += i.lower()
return answer
# i를 소문자화 한 값과 i의 값이 같으면 i는 이미 소문자란 얘기, i를 대문자화 해서 answer에 추가
# i를 소문자화 한 값과 i가 같지 않으면 i는 대문자, i를 소문자화 해서 answer에 추가
for i in my_string:
if i.isupper():
answer += i.lower()
else :
answer += i.upper()
return answer
# isupper / islower 함수 사용
# i.isupper() == True면 i를 소문자화 해서 answer에 추가
# False면 i를 대문자화 해서 answer에 추가2. 가장 큰 수 찾기
- 정수 배열 array 주어질때 가장 큰 값, 그 값의 인덱스 번호 리턴
def solution(array):
answer = []
max = array[0]
for i in array:
if i > max :
max = i
answer.append(max)
answer.append(array.index(max))
return answer
def solution(array):
return print([max(array), array.index(max(array))])
# max, min 함수 리스트나 튜플에도 사용 가능함3. 옷가게 할인 받기
- 10만원 이상 5%, 30만원 이상 10%, 50만원 이상 20% 할인
지불해야 할 금액의 소수점 이하는 버리고 출력하자
import math
def solution(price):
if price >= 500000:
price -= price * 0.2
elif price >= 300000:
price -= price * 0.1
elif price >= 100000:
price -= price * 0.05
# return math.floor(price) # 내림
return math.trunc(price) # 소수점 버림
# 1. 문제를 보고 10 -> 30 -> 50 순으로 if문 짜면 안됨
# 2. 소수점 이하를 버려야함, round, math.ceil()으로 안됨4. 중복된 숫자 개수
- 정수가 담긴 배열 array, 정수 n 주어질때 array안에 n이 몇 개 있는지 찾기
def solution(array, n):
answer = 0
for i in array:
if i == n :
answer += 1
return answer
# array.count(n)을 사용하면 똑같은 효과를 얻을 수 있다.
def solution(array, n):
return array.count(n)5. 중앙값 구하기
- 정수 배열 array가 주어질때, array의 중앙값을 반환 하자
def solution(array):
array.sort()
return array[len(array) // 2]
# 정수 배열을 sort()를 통해 오름차순을 로 정렬한다.
# array 요소의 개수 // 2로 몫을 구하면 중앙값이 출력된다.
# // 사용안하면 array[ int(len(array) / 2)] 나눈값을 정수화 시켜서 인덱스 번호로 맞춰야함