# AIB

tiamin93

핵심단어 > 해쉬테이블, 자료구조와 딕셔너리 학습목표 해쉬테이블에 대해서 배운다 해시테이블이란? 해시는 딕셔너리 코드와 관련되어 활용되는 개념 파이썬 기본코드로 어떻게 활용할 지를 생각해보기 오늘의 실습 해시테이블 키를 활용하여 값에 직접 접근ㅇ ㅣ가능한 구조 해싱의 목적 : 검색, 즉 해시테이블 = 검색 알고리즘의 역할 해싱의 장점 : 데이터 양에 영향을 덜 받고, 성능이 빠름(키를 통해 값 검색) 파이썬의 딕셔너리 : 내부적으로 해시 테이블 구조 학습해야할 내용 : 해시 함수, 해시테이블, 해시 충돌, 해시를 활용했을 때의 성능 - 해시는 해시 함수를 통해 나온 값 해시테이블은 키를 빠르게 저장 및

tiamin93

핵심단어 > 정렬,알고리즘, 교환개념, 학습목표 알고리즘에 익숙해지자! 알고리즘의 기본정렬에 대해 배워보자! WARM UP https://youtu.be/RCnyz-Bfkmc 알고리즘과 자동화 정렬: 숫자 두개 크기를 비교해 바꿔주는 작업 반복, 조건에 맞게 순서를 맞춰주는 작업 정렬을 구성하는 논리적인 개념은 모두 알고리즘 기반 코드는 링크에 (오늘 좀 잘한것같다 ^-^) 탐색 알고리즘 기본 선형 및 이진 검색 linear search(선형 검색) 한번에 하나씩 모두 검색하기 Binary search(이진 검색) 반복을 통해 숫자를 반으로 줄이면서 검색을 진행하기 때문에 선형보다 속도가 빠름 -

tiamin93

핵심단어 > 검색, 재귀, 트리 학습목표 검색과 재귀에 대해 익히기 트리의 기본을 익히기 WARM UP https://youtu.be/LnxEBW29DOw TREE 부모 자식간의 관계를 가지는 구조 LEAF - 더 이상 자식을 가지지 있는 노드 Binary tree - 자식 노드가 2개까지만 Ternary tree - 세 개 이상 Balance - 밸런스 완전 이진트리 참고용 https://pythontutor.com/visualize.html#mode=edit https://visualgo.net/en https://geonlee.tistory.com/m/72 코드링크 자료구조와 활용 검색 특정 노드를 추가하거나 삭제를 위해서는 검색이 우선시 되어야함 다양한 알고리즘을 활용하는 경우, 최적 알고리즘 경로를 측정하는데 쓰임

tiamin93

핵심단어 > 추상자료형, 파이썬 내장함수, Data Structure 학습목표 ADT(추상자료형) 연결리스트, 큐, 스택의 설계에 대해 익히기 레퍼런스 : urclass 참고하기 WARM UP 스택 : 배열이 수직으로, LiFo (라스트인, 펄스트 아웃) 큐 : FiFo (펄스트인, 펄스트 아웃) ADT(추상자료형)의 시작 linked-list ADT, Stack ADT, Queue ADT ADT를 활용하는 이유 데이터처리를 위한 자료형 존재 파이썬에서 프로그래밍을 위한 도구들인 기본자료형(숫자,문자열,리스트,딕셔너리 등)에 대해 배움 ADT는 추상적으로 필요한 기능을 나열한 일종의 명세서(로직) ADT는 기본자료형(리스트,숫자,문자열)을 활용하여 사용자에 의해 구현됨 ABSTRACT abstract는 소프트웨어가 발전하면서 프로

tiamin93

핵심단어 > 데이터구조, 알고리즘, 참조와 할당, 성능, 빅오표기법 학습목표 데이터를 활용하는 입장과 컴퓨터 내부동작에 대해 생각해보기 알고리즘 효율성에 대한 내용인 자료구조의 BIG O 및 복잡도 개념에 대해 배우기 WARM UP 데이터 구조와 알고리즘의 필요성 더 최적화된 코드를 만들기 위해 더 나은 개발자가 되기 위해 알고리즘 여러 개의 지시사항 EX) 지도 (최단 경로) 문제 해결을 위한 효율적인 코딩 절차 알고리즘의 필요성 데이터 구조 데이터는 AI를 움직이게 하는 기름과 같은 존재 어떤 상황에서 어떤 데이터 구조를 사용해야 하는 지 알아야한다 자료구조의 배경 자료구조를 배우는 과정 프로그래밍은 인간의 행동을 편하게 하기 위해 만들어졌다 효율성에 집중하기 자료구조 = 전체적인 관점의 기초공사 대용량의

tiamin93

핵심단어 > OOP, 클래스 설계 학습목표 REFERENCE WARM UP Object : 대상, 객체 class : 설계도 Instance : 실례 Object ((( class -> instance ))) 어떤 대상이 정확하게 분류 된것이 클래스(설계도) 그 설계가 정확히 동작하는 것을 인스턴스라고 한다 실습링크 https://github.com/Alice1304/1day1commit/blob/main/%EC%8B%A4%EC%8A%B5/SECTION5/N513.ipynb OOP (객체 지향 프로그래밍) 세상에 있는 실체가 있는 모든 물체를 클래스와 인스턴스 함수, 변수라는 OBJECT로 변화시켜서 프로그램을 구성 OOP의 기본전제는 기능(함수, 변수) 재사용이 가능하도록 설계 및 프로그래밍 했는지 최소비용으로 최대효율을 얻기 위해 개발됨 OOP에

tiamin93

핵심단어 > 문제해결, 의사코드, 컴프리헨션 학습목표 프로그래밍 진행과정 생각하기 예외처리 배우기 알고리즘을 위한 논리적 방법 익히기 REFERENCE URCLASS 링크 참고하기 파이썬 프로그래밍 실습링크 문제해결 프로세스 문제를 해결 하기 위해 문제를 단위별로 쪼개기(최소한의 시간을 활용하여 분석하기 위함) 전체문제 중에 해결할 수 있는 부분 찾기 의사코드(pseudocode, 슈도코드) 자신의 생각의 흐름을 자신이 이해할 수 있는 코드로 작성하기 요구사항이나 알고리즘을 해석하기 위해 사용 프로그램의 크기정도, 어려움정도, 협업정도에 따라 필요 유무가 갈린다 다양한 상황에 대한 시뮬레이션 컴프리헨션 실제

tiamin93

REFERENCE LIST https://docs.python.org/ko/3/tutorial/introduction.html#lists https://www.youtube.com/watch?v=3r82G5Frz-I https://www.youtube.com/watch?v=ppryqx3VchM https://www.youtube.com/watch?v=x0oLbxWcstk 오늘의 학습 목표 함수, 반복과 조건 개념 익숙해지기 파이썬의 다양한 메소드가 어떤 상황에서 활용되는지 익히기 켈력션자료형(리스트, 튜플, 셋, 딕셔너리)에 대해 익히기 현실 상황을 사칙연산 개념으로 프로그래밍하는데 익숙해지기 핵심단어 >반복문과 조건문, 내장메소드, 프로그래밍 실습링크

tiamin93

핵심단어 > GAN, Generator, Discriminator, CycleGAN, 학습목표 GAN의 학습 방식과 생성자(Generator)와 판별자(Discriminator)에 대해 이해하기 CycleGAN 이 동작하는 방식에 이해하기 GAN GAN의 뜻 Generative Adversarial Networks, 생성적 적대 신경망 실제와 유사한 데이터를 생성하는 모델 위조지폐 예시로 GAN 이해하기 생성자(Generator) : 위조지폐범 역할, 실제와 동일한 데이터를 만들기 위해 노력 판별자(Discriminator) : 탐정 역할, 생성된 데이터가 진짜인지 아닌지 판단 코드로 이해하기 코드는 여기~ CycleGAN -

tiamin93

핵심단어 > AutoEncoder 학습목표 AutoEncoder(AE)의 형태와 학습 방식을 연관지어 설명할 수 있다 Latent Vector(잠재 벡터)의 개념에 대해 설명할 수 있다 AutoEncoder가 활용되는 Task를 AutoEncoder의 특징과 연관지어 설명할 수 있다 AutoEncoder AutoEncoder는 입력데이터를 저차원의 벡터로 압축한 뒤 원래 크기의 데이터로 복원하는 신경망 큰 데이터 - 압축 - 복원 이기 때문에 모래시계 형태를 띄고 있음 압축된 가장 저차원의 벡터를 Latent 벡터라고도 표현 Latent(잠재) 벡터란 원본 데이터보다 차원이 작으면서도, 원본 데이터의 특징을 잘 보존 하고 있는 벡터 AutoEncoder는 궁극적으로 이 Latent 벡터를 잘 얻기 위한 방법 Auto Encoder 활용하기 차원 축소 데이터 노이즈 제거 이상치 탐지 코드는

tiamin93

핵심단어 > Beyond Classification, Segmentation, fcn, u-net 학습목표 Segmentation의 동작 방식 및 Semantic Segmentation/Instance Segmentation 구분하기 Transpose Convolution의 필요성과 동작 방식에 대해 이해하기 개인적인 이유로 학습 시작이 늦었으니 개념만 잡고, 코드는 주말에 보자 (따흐흑..) Beyond Classification 지금까지는 다층퍼셉트론신경망(MLP), 합성곱 신경망(CNN)을 이용해 입력 이미지에 맞는 출력 레이블(Label) 또는 범주(Class)를 예측하는 이미지 분류 공부(Image Classification)에 대해 학습 오늘 배울 내용은 분할(Segmentation)과 객체 탐지/인식(Object Detection/Recognition) 분할 분할은 하나의 이미지에서 같은 의미를 가지고 있는 부분을 구

tiamin93

핵심단어 >CNN, 사전훈련, 전이학습 학습목표 CNN의 기본구조 숙지하기 Convolution & Pooling Layer 의 동작 방식과 조정할 수 있는 값(Stride, Padding 등)에 대해 이해하기 전이 학습(Transfer Learning)을 설명할 수 있으며 이미지 처리를 위한 대표적인 사전 학습 모델 설명하기 CNN모델을 구축하거나, 사전 학습 모델을 사용해 이미지 분류하는 코드 작성하기..(과연) 1. CNN 이미지는 위치에 맞는 공간적 특성을 가지고 있음 But, MLP는 모든 입력값을 Flatten으로 펴준 뒤에 연산, 공간적 특성을 살리지 못함 합성곱신경망(CNN)은 학습과정에서 이런 공간적 특성을 보존하며 학습 가능 CNN 구조 합성곱 층(특징추출 부분) - 풀링층(분류를 위한 신경망) 이렇게 두가지 층으로 나뉘어져 있음 합성곱과 풀링 합성곱(Convolution) 합

tiamin93

핵심단어 >Transformer, BERT, GPT warm-up Attention is All You Need - 이 문구 때문에 뉴진스 노래가 계속 머리에 맴돌았다 링크텍스트 간략정리 Transformer는 RNN에 비해 학습 속도도 빠르고, 성능도 더 좋다(RNN사용안함) 트랜스포머는 병렬로 데이터를 처리한다 인코더디코더의 컨셉만 가져가고 RNN을 제거하여 학습시간을 단축했다 학습목표 코드를 이해하지 못하더라도 개념은 이해하고 넘어가기 왜 Attention is All You Need 인지 이해하기 1. 트랜스 포머란? Transformer란 attention 매커니즘을 극대화한 기계 번역을 위한 새로운 모델 성능이 좋아서 최근 자연어 처리 모델(SOTA)의 기본 아이디어가 모두 트랜스포머 기반 자연어 처리가 아닌 다른 문제도 잘

monzheld

ADT(Abstract Data Type) abstract 프로그램의 핵심부분을 간단하게 설명하기 위해 생겨남 linked-list(연결리스트) 리스트들을 연결해줌 연결: 프로그래밍에서 참조의 기능으로 구현 => 참조되는 노드의 '위치바꾸기' 리스트의 길이를 별도로 지정해줄 필요 X => 별도의 인덱스를 지정할 필요없이 연결되는 구조 연결리스트 인덱스 확장 요소가 참조하는 노드에 저장됨 각 노드는 연결리스트의 다음 노드에 대해 참조(포인터) 함 참조기호: . 삽입, 할당기호: = 배열 인덱스 접근 요소를 직접 접근해 저장, 인덱스 활용 링크드리스트 구조 Node(노드): 데이터와 **다음 데이

monzheld

BigO 표기법

monzheld

OOP 객체지향 프로그래밍 기능(함수, 변수) 재사용이 가능하도록 설계 및 프로그래밍 캡슐화 상속과 포함 추상화 다형성 연산자 1개 if A is not B A는 B가 아니다 2개 if not A is B A가 아닌 것은 B이다 클래스 인스턴스화 속성 충돌방지 오버라이딩

monzheld

의사코드(pseudocode) 말로 풀어쓴 코드 컴프리헨션(comprehension) 한 줄 for문 if문만 있을 때 for문 오른쪽(뒤)에 if~else문 for문 왼쪽(앞)에 ex) for문 ex) if~else문 지역변수와 전역변수 예외처리 for ~ else / while ~ else continue / break try ~ except / try ~ except ~ else / try ~ except ~ finally raise Exception(’Error message’) raise AssertionError

monzheld

정규표현식 import re / re.search / re.match / re.compile 다양한 메소드의 활용 rjust / zfill / split 깊은복사와 얕은 복사 x.copy() / import copy / copy.copy(x) / copy.deepcopy(x) 반복문과 조건문 for ~ enumerate / while / break / continue / if ~ else 컬렉션 자료형 append() / extend() / insert() / del / remove / pop / count() / index() / set sort() / sorted /get() 람다 lambda

monzheld

🗝 Keyword 📑 Concept GAN(Generative Adversarial Networks) GAN(Generative Adversarial Networks, 생성적 적대 신경망) 실제와 유사한 데이터를 만들어내는 생성 모델 like 위조지폐 생성자(Generator) 실제와 동일한 데이터를 생성하는 것이 목적 => 비지도 학습 위조지폐범 G 판별자(Discriminator) 생성된 데이터가 진짜(Real)인지 아닌지(Fake) 판단 => 지도 학습 Fake / Real로 구분 -> **이진 분류

kdifirst

링크텍스트