목표기존에 푸는데만 집중했던 문제들을 클린 코드, 객체 지향 방식으로 리팩토링완벽한 효율보다는 다양한 스타일로 작성코테 문제) https://school.programmers.co.kr/learn/courses/30/lessons/17683네오는 자신이 기억한

목표기존에 문제를 푸는데만 집중해서 풀었던 문제들을 클린 코드, 객체 지향 방식으로 리팩토링완벽한 효율보다는 다양한 스타일로 작성코테 문제) https://school.programmers.co.kr/learn/courses/30/lessons/131127정현

목표 기존에 문제를 푸는데만 집중해서 풀었던 문제들을 클린 코드, 객체 지향 방식으로 리팩토링 완벽한 효율보다는 다양한 스타일로 작성 문제 코테 문제) https://school.programmers.co.kr/learn/courses/30/lessons/60057

목표기존에 문제를 푸는데만 집중해서 풀었던 문제들을 클린 코드, 객체 지향 방식으로 리팩토링완벽한 효율보다는 다양한 스타일로 작성코테 문제) https://school.programmers.co.kr/learn/courses/30/lessons/142085준호

Process, Thread 차이 독립된 메모리(프로세스), 공유메모리(스레드) 많은 메모리 필요(프로세스), 적은 메모리(스레드) 좀비(데드)프로세스 생성 가능성, 좀비(데드) 스레드 생성 쉽지 않음 오버헤드 큼(프로세스), 오버헤드 작음(스레드) 생성/소멸 다소 느

파이썬 threading 정리 logging 활용 기본적으로 스레드는 디버깅이 어렵기 때문에 logging을 통해 실행 과정을 잘 표현하는 것이 중요하다. >#### 로그 레벨 DEBUG: 가장 낮은 레벨. 상세한 정보를 기록할 때 사용 INFO: 일반적인 정보를

객체의 속성에 대한 접근을 제어하는 메커니즘을 뜻한다. 기본적으로 디스크립터는 클래스의 속성에 대한 접근을 커스텀하게 제어할 수 있는 특별한 종류의 객체이다. 디스크립터를 통해서 개발자는 속성에 접근하거나 속성을 설정할 때 특정 코드를 자동으로 실행시킬 수 있다.디스크

메타클래스는 클래스의 클래스라고 표현한다.보통 클래스는 인스턴스를 생성하는 방법을 정의하는 것처럼 템플릿같은 용도로 사용한다.메타클래스는 그 대상이 클래스가 된다고 생각하면 된다. 클래스가 어떻게 생성되고 동작할 지 정의하는 역할을 한다. 기본적으로 모든 파이썬 클래스

오버로딩은 메소드 간 파라미터의 수, 타입, 순서에 의해 동일 이름의 여러 함수를 사용하는 개념이다. 이런 동작이 어떻게 가능한지 알려면 Type Checking에 대해 알고 넘어가야 한다.컴파일 시간에 타입 검사프로그램이 실행되기 전에 컴파일 시간에 변수의 타입 검사

자식 클래스가 부모 클래스로부터 상속받은 메소드를 재정의(override)하는 것을 의미한다.이 때 자식 클래스는 상속받은 메소드와 동일한 이름, 매개변수를 가지지만, 구체적인 실행 내용은 변경할 수 있다.확장성 (Extensibility): 자식 클래스는 부모 클래스

Underscore

OS가 사용할 수 있는 자원은 한정되어 있기에 우리는 할당을 받았다면 다시 돌려줘야 원활한 자원 순환이 가능하다.간단하게는 다음과 같은 코드가 있다.이렇게 file.close()를 해서 자원을 돌려줘야 OS는 다시 자원을 다른 곳에 할당해줄 수 있다.흔히 사용하는 다음

파이썬에서 선언을 할 때 기본 원리를 알아야 참조에 대한 실수가 없다.

파이썬은 데이터 분석과 파일을 읽는 등의 Sequence데이터를 자주 다루게 된다.이러한 데이터들을 핸들링하기 좋은 함수들에 대해 잘 알아두면 좋다는 것을 느낀다.lambda는 일회성 함수로 여겨지고 재사용할 함수가 아니라면 선언하는 편이다.힙 영역에서 사용 즉시 소멸

파이썬을 사용하다보면 함수를 정말 많이 만들게 된다. 특히 협업할 때는 수행할 일을 명확하게 전해주기 위해 인풋과 아웃풋을 알려주고 그것을 수행하는 함수를 작성하게 된다.이렇게 함수를 작성하다보면 변수 영역이 상당히 중요하다. 전역 변수인지, 로컬 변수인지, 데코레이터

배치 서빙 머신러닝 모델을 사용하여 한 번에 대량의 데이터에 대해 예측을 수행하는 과정 데이터,모델 저장소에서 배치 서빙 파이프라인에 넣어주고 이를 통해 예측값을 얻는다. 데이터 저장소의 데이터는 주로 특정 시간 단위로 모아진 데이터와 같이 같은 종류, 다른 환경에서

모델 저장소: 학습이 완료된 모델을 저장하는 장소 실험 관리+파일: 학습 데이터, 패키지, 파라미터 등을 함께 저장 MLflow 아키텍쳐 Backend Store (Remote host) 수치 데이터와 MLflow 서버의 정보들을 체계적으로 관리하기 위한 DB 저장

머신러닝을 학습시킬 때의 데이터와 현실에서의 데이터는 차이가 있다.데이터를 학습하는 동안에도 현실의 데이터 분포가 바뀐다.학습한 모델을 서비스하는 동안에도 현실의 데이터 분포가 바뀐다.컨셉 드리프트(Concept Drift)예측 모델이 학습한 대상 변수의 조건부 분포가

머신러닝에서 말하는 실험주어진 데이터를 이용해 모델을 학습 후 모델을 평가하는 것실험관리: 수행한 실험들을 기록하고 관리하는 것어제 실행한 코드의 학습이 잘 완료되었나?가장 성능이 좋았던 모델의 파라미터는?실험 중 발생하는 정보실험을 재현하기 위해 필요한 정보 기록데이

데이터에 의해 변하는 소프트웨어.$$\\Large Model = software(data)$$어떤 데이터를 사용할 지어떤 패키지(라이브러리)를 사용할 지어떠한 코드를 작성할 지적절한 파라미터를 어떻게 찾을 지즉, 모델을 좀 더 자세히 얘기해보면 데이터와 파라미터가 정해