Aiffel Fundamental
1.OT
link
2.문자열 & 파일과 디렉터리 파일
f.read() : 파일을 읽는다.f.readline() : 파일을 한 줄씩 읽는다.f.readlines() : 파일 안의 모든 줄을 읽어 그 값을 리스트로 반환한다.f.write(str) : 파일에 쓴다. 문자열 타입을 인자로 받는다.f.writelines(str)
3.여러 파일 포맷(CSV, XML, JSON)
Comma Seperated Value의 약자로, 쉼표로 구분된 파일을 말한다.Pandas의 DataFrame은 to_csv 메서드를 지원한다. 이 메서드를 이용하면 손쉽게 csv 파일로 저장할 수 있다.Extensible Markup Language의 약자로, 다목적
4.Git과 GitHub 간단한 사용법
✔ Git: 개발을 진행하며 작성하는 소스코드가 업데이트 되는 버전을 기록해두고 관리할 수 있는 소스코드 버전 관리 시스템 ✔ GitHub: Git으로 관리하는 프로젝트를 호스팅하고, 시공간의 제약없이 협업할 수 있는 온라인 서비스 Git이 버전 기록을 저장한다면,
5.Jupyter Notebook, Markdown
1. Jupyter Notebook Jypyter Notebook: 데이터 클리닝과 변형, 통계 모델링, 머신러닝 등 데이터 분석을 편리하게 할 수 있도록 최적화 되어있는 오픈소스 웹 어플리케이션 이와 같이, 문서 작업과 코드 작업을 동시에 진행할 수 있게 도와준다
6.간단한 그래프 그리기
데이터 정의축 그리기matplotlib API 바로가기그래프 그리기bar(x,y): 인자에서 정의한 데이터들을 x, y 순으로 넣어 준다.그래프 요소 추가데이터 정의데이터: 과거 아마존 주가결과 Pandas Series의 활용Pandas의 Series는 선 그래프를 그
7.그래프 그리기
Seaborn의 load_dataset() 메서드를 이용하면 API를 통해 손쉽게 유명한 예제 데이터를 다운로드할 수 있다.아래 repo의 데이터는 모두 CSV파일로 되어 있어 연습용으로 추천한다.링크 추천범주형 데이터는 주로 막대그래프를 이용하여 수치를 요약한다.
8.깃허브에 폴더 업로드 하는 법, restore
git에 프로젝트 레파지토리 생성아래 명령어 입력
9.F-09
asdf
10.F-10
asdf
11.[F-12] 사이킷런으로 구현해보는 머신러닝
학습목표머신러닝의 다양한 알고리즘을 소개사이킷런 라이브러리의 사용법을 익힌다.사이킷런에서 데이터를 표현하는 방법에 대해 이해하고 훈련용 데이터셋과 테스트용 데이터셋으로 데이터를 나누는 방법을 이해한다. 목차다양한 머신러닝 알고리즘사이킷런에서 가이드하는 머신러닝 알고
12.[F-13] 클래스 기본 문법
Everything in Python is an object, and almost everything has attributes and methods. 파이썬에는 부울, 정수, 배열, 딕셔너리, 함수, 프로그램 등 모든 것이 객체이다. 파이썬에서 object
13.[F-14] 강아지 고양이 분류기
이번에는 tensorflow_datasets 에 포함된 tf_flowers 데이터를 사용해 보겠습니다. tf_flowers 데이터에 대한 정보는 다음에서 확인해볼 수 있습니다.(https://www.tensorflow.org/datasets/catalog/tf
14.[F-14]Project_새로운 데이터셋(flower)으로 이미지 분류기 만들기
이번에는 tensorflow_datasets 에 포함된 tf_flowers 데이터를 사용해 보겠습니다. tf_flowers 데이터에 대한 정보는 다음에서 확인해볼 수 있습니다.(https://www.tensorflow.org/datasets/catalog/tf
15.[F-16]파이썬으로 이미지 파일 다루기
구글 이미지 검색 기능은 이미지 파일을 업로드하면 비슷한 이미지들을 찾을 수 있게 해준다. 오늘은 OpenCV를 통한 이미지 다루기를 알아보자. 이후 이와 유사한 기능을 만들어보자.색상 히스토그램을 기반으로 주어진 이미지 중 비슷한 색상 분포를 가지는 이미지를 찾아주는
16.[F-17] 딥러닝의 본질
오늘 이야기는 딥러닝과 신경망에 대한 이야기이다. 학습 목표딥러닝과 머신러닝의 차이를 설명할 수 있다.딥러닝은 특히 데이터를 '표현'하는 것을 목표로 하며, '표현 학습'이라고 이야기할 수 있는 본질을 이해한다.연결주의를 계승하여 채택한 신경망 모델의 본질을 함수 차원
17.[F-18]Understanding of Deep learning
들어가며 딥러닝 내부를 좀 더 깊게 들여다보자. 신경망이 어떤 식으로 구성돼있고, 그 과정에서 어떤 용어들이 사용되는지 보자. 학습 목표 딥러닝 문제 구성에 대한 기본적인 이해를 높인다. Neural Network에 사용되는 용어들에 대한 이해를 높인다. 딥러닝 프
18.[F-19] Regression
회귀분석: 관찰 데이터를 기반으로 각 연속형 변수 간의 관계를 모델링하고 이에 대한 적합도를 측정하는 분석 방법 오늘날 회귀분석이란 두 개 이상의 변수 사이의 함수관계를 추구하는 통계적 방법을 의미한다.
19.[F-20] Unsupervised Learning
학습목표명확한 정답 데이터가 label로 달려있지 않은 데이터들을 다루는 비지도학습에 대해 알아보자.비지도학습의 개념, 지도학습과 비지도학습의 차이, 주요 비지도학습 알고리즘에 대해 알아보자.목차비지도학습(Unsupervised Learning)에 대하여클러스터링(1)
20.[F-21] TF2 API
이번 시간에는 우리가 사용할 TF V2 API의 구성상 개요를 파악하고, 보다 다양하고 깊이있게 TF를 활용할 기본기를 갖추자.학습 목표Tensorflow V2의 개요와 특징을 파악한다.Tensorflow V2의 3가지 주요 API 구성 방식을 이해하고 활용할 수 있다
21.[F-22] Deep Network
딥러닝에 대한 간단한 설명과 딥러닝 네트워크들을 둘러본다. ResNet과 VGG를 간단하게 둘러본다.
22.[F-23] Convolution
.
23.[F-25]Regularization,Normalization
학습 목표정칙화(Regularization)의 개념을 이해하고 정규화(Normalization)와 구분합니다