KtAivle

1일차 정리

주제 : Numpy내용 : Numpy에 대해 강의 기반 내가 헷갈렸던 부분 위주로 정리를 해보려고 한다.Numpy는 np.array 함수를 활용하여 배열을 생성한다.Numpy는 하나의 데이터 type 만 배열에 넣을 수 있다. -> List와 가장 큰 차이점✍ 입력

주제: Pandas내용 : Pandas에 대해 강의 기반 내가 헷갈렸던 부분 위주로 정리를 해보려고 한다.(2) 데이터프레임 직접 만들기

주제: Pandas내용 : Pandas에 대해 조회 및 집계를 정리하려고 한다.시리즈(Series)와 데이터프레임(DataFrame) \- 데이터프레임 : 2차원 구조 \- 시리즈 : 1차원 구조 \- 데이터프레임에서 열 하나를 띄어 내면 시리즈

주제: Pandas내용 : Pandas의 데이터프레임 변경을 정리하려고 한다.기존 데이터프레임의 열 이름을 적절히 변경해야 할 경우가 있습니다.또는 집계 결과를 가진 열 이름을 이해하기 쉽게 변경해야 할 경우도 있습니다.rename() 메소드를 사용해 변경 전후의 열

0. 개요 주제 : DataFrame 변경 내용 : DataFrame 결합하는 부분에 대한 정리이다. 1. 데이터 프레임 결합 1) 데이터 프레임을 결합하는 두 가지 방법 (1) pd.concat() 매핑 기준 : 인덱스(행), 칼럼이름(열) 구조가 같아야 합칠

주제 : 시계열 데이터 및 시각화 처리(1) 날짜 타입으로 변환pd.to_datetime(날짜데이터, format = '입력되는 날짜 형식')✍ 입력(2) 날짜 요소 추출✍ 입력문1 data의 Date는 이미 날짜 타입으로 변환되어 있습니다.다음의 항목을 열로 추가하시

주제 : 단변량분석\_숫자형, 범주형 변수목표 : 숫자형 변수와 범주형 변수를 공부하면서 완벽하게 구분해 낼 수 있다.✍ 입력✍ 입력✍ 입력✍ 입력 : plt.histplot✍ 입력 : sns.histplot히스토그램의 단점 : 구간의 너비를 어떻게 잡는지에 따라 전혀

주제 : 이변량분석목표 : 이변량 분석의 4가지 방법(숫자vs숫자, 범주vs숫자, 숫자vs범주, 범주vs범주를 완벽하게 구분하고 구현할 수 있다.)상관 분석에 대해서 이야기 해봅시다. \- 상관 분석은 연속형 변수 X에 대한 연속형 변수 Y의 관계를 분석할 때 사용됩

주제 : 이변량분석목표 : 이변량 분석의 4가지 방법(숫자vs숫자, 범주vs숫자, 숫자vs범주, 범주vs범주를 완벽하게 구분하고 구현할 수 있다.)범주 vs 범주를 비교하고 분석하기 위해서는 먼저 교차표를 만들어야 합니다.\- pd.crosstab(행, 열, norma

주제 : 서울시 생활정보 기반 대중교통 수요 분석목표 : 대중교통 수요 분석을 통해 어떤 구에 버스 정류장을 설치해야 할지 생각해보자실습 위 데이터에서 버스정류장 위치를 '구' 별로 구분해보기✍ 입력✍ 입력✍ 입력실습1 결측치 처리하기✍ 입력실습2 구별로 버스정류장의

주제 : 서울시 공유자전거 '따릉이' 수요 예측 프로젝트목표 : 서울시 공유자전거인 '따릉이'의 수요와 다른 변수들 간의 연관성을 분석

주제 : 머신러닝. 머신러닝의 전체 과정의 코드 실습 내용 : 머신러닝의 전반적인 개념 및 관련 용어 회귀와 분류 구분

주제 : 모델 성능 평가 방법 및 기본 알고리즘 설명내용 : 분류 모델과 회귀 모델의 성능 평가 방법 설명 및 실습오차를 줄여라예측 값이 실제 값에 가까울수록 좋은 모델전체 오차 중에서 회귀식이 잡아낸 오차 비율 일반적으로 0 ~ 1 사이값이 높을수록 좋은 결과 (평균

주제 : 머신러닝. 머신러닝의 전체 과정의 코드 실습내용 : 머신러닝 회귀 및 분류의 성능평가를 제대로 구분할 수 있다.

주제 : 머신러닝. 머신러닝의 전체 과정의 코드 실습내용 : 회귀에 대해 이해하고 코드를 작성할 수 있다.

주제 : 머신러닝. 머신러닝의 전체 과정의 코드 실습내용 : 분류에 대해 이해하고 코드를 작성할 수 있다.1) 트리 시각화2) 변수 중요도 시각화

주제 : K-Fold Cross Validation내용 : 앞서 공부 했던 선형회귀, KNN (회귀 모델) 과 결정 트리, 로지스틱 회귀(분류 모델)에서 더 나아가 정교한 평가 절차를 진행하는 K-Fold Cross Validation에 대해 학습1) x, y 분리2)

주제 : 머신러닝. 머신러닝의 전체 과정의 코드 실습내용 : 이를 통해, 하이퍼파라미터 튜닝을 완벽하게 구현해 낼 수 있다.\- 데이터 준비\- 성능 예측(k-Fold)성능을 확인할 파라미터를 딕셔너리 형태로 선언합니다.기존 모델을 기본으로 RandomizedSearc

주제 : 머신러닝. 머신러닝의 전체 과정의 코드 실습내용 : 이를 통해, 앙상블 모델을 완벽하게 구현해 낼 수 있다.통합은 힘이다.약한 모델이 올바르게 결합하면 더 정확하고 견고한 모델을 얻을 수 있다!앙상블의 랜덤포레스트, XGBoost, LightGBM 잘 이해하기

주제 : 딥러닝 전체 과정의 코드 실습내용 : 이를 통해, 딥러닝 회귀, 분류를 완벽하게 구현해 낼 수 있다.데이터 준비여기서 Dense의 1은 output_shape(nfeatures에 있는 것들 합친것)

주제 : 딥러닝 전체 과정의 코드 실습내용 : 이를 통해, 딥러닝 회귀, 분류를 완벽하게 구현해 낼 수 있다.데이터 준비여기서 Dense의 1은 output_shape(nfeatures에 있는 것들 합친것)회귀 모델과 다르게 activation function을 사용해

주제 : 변수중요도목표 : 데이터를 분석함에 있어 변수 중요도가 굉장히 중요함을 느낀다. 프로젝트를 하면서 반드시 필요했던 부분들을 숙지해보자!변수 중요도 : 모델 전체에서 어떤 feature가 중요한지 알려주는 것Tree 기반 모델은 Feature Importance

주제 : 딥러닝목표 : 머신러닝에서 나아가 딥러닝에 대해 배워 보자!모델링 : train error를 최소화 하는 모델을 생성하는 과정모델 튜닝 : validation error를 최소화 하는 모델 선정딥러닝 학습 절차가중치 초기값을 할당합니다. (초기 모델을 만든다.

주제 : 딥러닝목표 : 머신러닝에서 나아가 딥러닝에 대해 배워 보자!위 구조에서 Sruvived 0,1로 예측결과를 만들고 싶습니다. \- Node의 결과를 변환해주는 활성 함수가 필요합니다! 우리는 실제 값과 예측 값을 하나의 숫자(오차)로 평가해야 합니다.이 오차

주제 : 딥러닝목표 : 머신러닝에서 나아가 딥러닝에 대해 배워 보자!과적합은 왜 문제가 될까?모델이 복잡해지면, 가짜 패턴까지 학습하게 된다.무엇을 조절해서 '적절한 모델'을 만들 수 있을까?Epoch와 learning_rate모델 구조 조정 : hidden layer

0. 개요 주제: 이때까지 배웠던 내용 중 내가 자주 까먹거나 굉장히 자주 사용하는 것들 위주로 코드 정리 1. Pandas기초(1) 중에서 인덱스를 기준으로 정렬하는 방법 sort_values() 메서드로 특정 열을 기준으로 정렬 (3) 정렬해서 보기 > 단일 열

0. 개요 주제: 시각지능 딥러닝 1. notMNIST 데이터셋 분석 1) 데이터 및 환경변수 설정 > 2) 데이터 로딩 > x = data['images']와 y = data['labels']는 로드된 MATLAB 파일에서 이미지 데이터와 해당 이미지의 레이블을

0. 개요 주제: 시각지능 공부 1. Object Detection > Localization : 단 하나의 Object 위치를 Bounding Box로 지정하여 찾음 Object Detection : 여러개의 Object들의 위치를 Bounding Box로 지정하여

1) 미션1 : Data Preprocessin제공된 데이터 : Car_Images.zipCar_Images : 차량의 정상/파손 이미지 무작위 수집2) 미션2 : CNN 모델링3) 미션3 : Transfer Learning(1) 라이브러리 불러오기(2) 데이터 다운로

스프링 공부, ADSP 자격시험 준비하느라 계속 미뤄졌다. 조금씩이라도 꾸준히 정리해보자!IT 인프라(개발 기본 이론 지식) 에 대해 공부하였다. 이전에 공부했던 것들을 복습한다고 생각하고 다시 정리해보자.서버 : 클라이언트에게 네트워크를 통해 정보나 서비스를 제공하는

이전에 배웠던 HTML, CSS를 떠올리면서 이번에 배운 코드에 대해 면밀히 분석해보자.HTML 기본구조HTML 페이지 구조시멘틱 태그(sementic tag) : 태그 이름으로 의미를 알수 있는 태그그냥 <div>로 전부 해결 가능하기는 하지만, 이걸 사용함으로

내가 직접 AWS를 사용해서 인스턴스 서버를 생성하고 관리해보자.Amazon AWS 아이디를 만든다.AWS 홈페이지 검색창에 EC2 입력해서 인스턴스 생성 페이지로 들어간다.인스턴스를 생성한다. 3-1) 애플리케이션 및 OS 이미지에서는 Ubuntu를 선택3-2) 무료

0. 개요 > 장고를 활용하여 WebApp을 만들어보자 장고에서는 MVT 디자인 패턴을 사용(자바의 MVC 디자인패턴과 유사) db = model web service = view client = template 이라고 한다. 1. 개발 환경 구축 > cm

가상화 및 클라우드 개요AWS 기본 서비스 (EC2, VPC, EBS, S3)AWS 고가용성 구현 (Region, AZ, ELB, ASG)AWS 모니터링 개요 (CloudWatch)AWS 주요 리소스 모니터링 & 비용 모니터링쿠버네티스 개요 및 주요 아키텍처쿠버네티스

개요 장고를 활용하여 WebApp을 만들어보자 5. 장고 Form > 1. HTML FORM 2. CSRF 3. HttpRequest 4. 장고 Form 5. URL Reverse 6. ModelForm 7. 유효성 검사 1) HTML FORM > Form 태그는

Unit 1. RESTful API 개요Unit 2. Django REST FrameworkUnit 3. RESTful API 구현Representational State Transfer (REST):자원(Resource)의 표현(Representation)에 의한 요

개요 주제 : 에이블스쿨 지원자를 위한 QA 챗봇 만들기 데이터 : 에이블스쿨 홈페이지 Q&A, 조별 데이터 수집 데이터 출처 : 에이블스쿨 데이터구분 : TEXT 데이터 중점사항 : > 1. text 데이터를 vector DB로 만들기 2. GPT 3.5 버전과 연계

다음 번 배포가 있을 때에는 이번과 같이 시간을 많이 쏟지 않기를 위해 정리하는 글이다.앞으로 이 글에 자주 올 예정VPC 서비스 페이지에서 \[VPC 생성] 버튼을 클릭합니다.생성할 리소스로 VPC 만을 선택하고, VPC 이름으로 BoardVPC 를 CIDR 로 10