제품 관리자와 서비스 기획자를 위한 실전 노하우 - 인프런요구사항 분석 / 벤치마킹설계출시ex) B.travel 상품 출시 가정 (항공, 호텔, 렌터카, 입장권)로드맵 정리백로그 (우선순위 정리)우선순위애자일 (EPIC / User Story 등 사용)데이터 분석, A

요구조건분석 개념적 설계 논리적 설계 물리적 설계 구현데이터베이스 스키마를 파일로 생성하는 과정DDL(데이터 정의어) 이용구성 요소 : 개체, 속성, 관계종류 : 개념적, 논리적, 물리적표시할 요소 : 구조, 연산, 제약조건 개념적 데이터 모델논리적

저장공간 효율성 + 실행시간의 신속성배열선형리스트스택 (후입선출)큐 (선입선출)데크 (삽입 삭제가 양쪽에서 가능)그래프 (무방향 : n(n-1) / 2, 방향 : n(n-1))단말노드 : 자식이 0인 노드디그리(차수) : 각 노드에서 뻗어나온 가지수삽입정렬 : O(n^

폭포수(고전적, 선형), 프로토타입(불분명한 요구사항), 나선형(계획→분석→개발→평가), 애자일PO, SM, 개발팀계획, 스프린트, 일일 스크럼, 검토, 회고소규모 프로젝트에 적합, 애자일 개발 방법론핵심가치 : 의사소통, 단순성, 용기, 존중, 피드백리팩토링 - 소프

구조적(처리 중심), 정보공학(자료 중심), 객체지향, 컴포넌트 기반(CBD), 애자일, 제품계열재사용 방법 - 합성 중심(블록, 모듈, 부품, 칩을 끼워 맞추는 방법), 생성 중심(명세를 구체화, 패턴 구성)소프트웨어 재공학 - 분석, 재구성, 역공학, 이식CASE기

목적 : 처리 능력(Throughput), 반환시간(Turn Around Time), 사용 가능도(Availability), 신뢰도(Reliability)구성 : 제어 프로그램(감시, 작업관리, 데이터 관리), 처리 프로그램(언어 번역, 서비스 프로그램)GUI / 선점

시험은 2024.07.16 예정이고,(2024.07.04) 내가 기억해야 하는 것들을 위주로 정리해보았다.

기획에 큰 흥미가 생겨 본격적으로 공부해보려고 한다. 먼저 기획 공부 0일차로서, 도그냥 유튜브 시청을 하며 정리해보려고 한다. 도그냥의 역기획 why 역기획? ✔️ 하고 싶은 거 만들면 된다 싶어서 그냥 직접 해보니까 뭐부터 정리해야할 지 감이 안와서? ✔️ 멋진

약수 구하기 문제나의 코드참고하기 좋은 코드

신규 고객 잡는 '앵커링 효과'와 '아하 모멘트' 전략처음 이 글을 보려고 했던건 <앵커링 효과> 때문이다.<아하 모멘트>(이하 아하 모먼트)는 들어봤는데 앵커링 효과는 아니었다.웹앱 접속 초반에 제공하는 경험으로, 신규 고객의 행동을 유도하는 것이 때, 어

고객 중심 프로덕트 개선에 'A/B 테스트' 왜 필수일까?' 라는 글을 읽게 되었다.데이터 처리에 관심이 많아 A/B 테스트 라는 말은 많이 들어봤다.그런데, 그 일을 왜 어떤 목적을 달성하기 위해 하는 것인지는 인지하지 않고 있었다.온라인 통제 실험(online co

AI 시대에 필요한 개발자, product engineer문제를 해결하는 것.문제를 해결하기 위해 우리는 chat gpt를 이용한다.상품 개발을 할 때, 고객들의 요구사항을 잘 파악하고 이를 코드적으로도 해결할 수 있는 사람!<개발 잘하는 기획자>인 내 꿈을 이루

요즘IT에서 본 데브섹옵스 뉴스 를 구경했다.전에는 '보안'이 개발과는 좀 동떨어져 있는 개념이라고 생각해왔는데,데브옵스 + 보안 이라니..!내가 잘 이해한 건지는 모르겠지만 흥미롭게 보았다.개발, 기획, 등 IT 관련 뉴스를 보는 것을 취미로 삼고자 한다.데브섹옵스를

y = w\*x + bw: weight (기울기)b: bias (높낮이의 변화 - 절편)x: input datay: 예측 data 예측값손실함수(Loss Function)오차의 총합 : y예측값 - y실제값y예측값 = w\*x + b = (wx+b)-y실제값MAE (M

Epoch : 전체 데이터가 모두 학습한 단위Loss (Error) : 정답 값과의 오차Accuracy (acc) : 정확도supervised learning \*이 시험을 위해서는 지도학습만 알면 됨 \*보통 1,5번은 회귀 문제, 2,3,4는 분류 문제지도 학습

import 해주기 데이터 준비 MNIST 불러오기 train & test split normalization 펼쳐주기 one-hot encoding 모델 만들기 컴파일

앞서 이런 코드를 쓰면서 input_dim 값을 넣어 주었다.input_dim 은, 입력 차원을 나타낸다.즉, Dense 레이어에 입력되는 데이터의 차원을 설정하는 역할을 한다.앞에 Flatten()을 쓰게 되면, input_dim을 쓰지 않아도 된다.원래는위의 코드로

import numpy as npmodel.predict(test_data0:1, :)np.argmax(model.predict(test_data0:1, :), axis=1)test_label0:1, :np.argmax(test_label0:1, :, axis=1)re

sequential 방법 \- layer를 순차적으로 쌓아가는 것functional 방법 \- sequential 보다 고급 방법. 여러 함수 쓰는 것. tf.keras 안의 layers의 Dense는 층을 쌓아 올릴때 촘촘하게 쌓는 것을 말한다.activatio

import 할 것들 해주기tensorflow의 keras에는 필요한 함수들이 모여있다위의 코드는 에러 메시지를 안뜨게 하는 것6만 장의 데이터들 중 첫번째 데이터 꺼내기각 이미지(28px \* 28px)가 0-255 사이의 숫자로 이뤄져있다는 것을 알게 됨reshap