s3 list 가져오기

1-1 수학자들은 왜 몬티홀 문제로 싸웠을까? 확률론에서 사건의 확률에 대한 문제를 풀다보면 풀이가 오묘해질 때가 많다. 오답을 마치 정답처럼 설명해도 맞게 들리고, 정답을 오답처럼 설명하면 틀린 것 같고, 나의 풀이는 왜 틀린 것인지 머리속이 복잡해지

우리는 확률 변수가 사실 함수라는 사실을 이전에 배웠다. 근데 뭔가 확률 함수로 보이는 것 안에 X = 1 라는 표현이 있다. 함수인데 괄호가 생략된 것이 좀 짜증난다.괄호가 생략되었는데 equal 기호가 있는 것도 좀 어색하다..엥 이게 뭐지..?

간단하게 Feature store의 스펙들을 생각해보며 구조를 맞춰 보자. 함께 심플하게 Feature store의 구조를 세워보고 나면 다른 Feature store 끼리의 비교가 쉬워질 것이라고 생각한다.

1. 개요 모든 Feature store의 특성상 모든 feature store가 가지고 있는 핵심 개념들이 있다. 이 개념들은 각각의 feature store에서 명칭만 살짝식 다를 뿐 대부분 가지고 있는 개념이다. 이러한 개념들에 대해 알아보자.

ETL작업의 개수는 시간이 지날수록 계속 늘어나 정신차려보면 몇백개가 되어있는 경우가 많다. 만약 ETL작업들이 같은 화면에 몇백개가 한번에 보인다면 큰 스트레스일 수 있다.이럴 때 작업들을 그룹단위로 묶어주게 하기 위해 prefect에는 Projects라는 상위 그룹

확률 변수는 머신러닝, 통계학의 근간을 이루는 개념으로 대부분의 논문, 자료에서 계속 나타나는 개념이다.매우 자주 나타나고 보통은 제대로 이해하지 못했는데도 불구하고, 이해했다고 생각하고 넘어가기 쉽기도 하다.통계학 및 머신러닝을 학습하다가 뭔가 이해가 안 될 때는

matplotlib을 사용해서 한땀 한땀 그래프 설정을 만들고 건드는 것은 정말 짜증나고 귀찮은 일이다. 이럴 때 쓸 수 있는 여러 시각화 툴을 알아보자

prefect 구성 요소에는 크게 UI 서버, Agent가 있다. https://docs.prefect.io/orchestration위 그림은 프리펙트 클라우드 서비스를 쓸 경우의 구조도이다. 오른쪽 cloud ui가 prefect의 UI 서버이다. Flow,

feature store를 이해하기 위해서는 offline data, online data 개념에 대해 이해해야한다. offline, online에 대한 개념은 aws sagemaker feature store, feast, hopsworks 등 모든 feature s

airflow와 같은 workflow orchestration tool인 prefect에 대해 알아보자.prefect는 데이터 파이프라인을 구축하는데 쓰인다.데이터는 만들어질 때 작업들 간의 dependency가 있는데 이것을 관리해준다.예를 들어 매출 데이터, 유저