JIU's Data blog 🩵

이게 내 코드. def solution(num_list): even = 0 odd = 0 for i in num_list: if i%2==0: even+=1 else: odd+=1 return [even, odd] 다른 사람 코드. 이거 보고 경악해서 블로그 쓸 수 밖에 없었다. def solution(num_list): answer = [0,0] for n in num_list: answer[n%2]+=1 return answer 계산 결과를 가지고 리스트 인덱싱을 통해 문제를 해결했음.. n%2를 했을때 짝수이면 나머지가 0이니 answer[0]에 1을 추가하고, 홀수이면 나머지가 1이니 answer[1]에 1을 추가하는 방식임. 어떻게 하면 코드를 더 간결하고 깔끔하게 쓸 수 있는지 고민하는 과정이..

ML에 대한 일반적 정의 Model class를 선택한 후, 학습데이터에 대해 모델이 잘 동작하도록 파라미터를 결정해야 함. 잘 동작하려면 손실함수를 설정해야 한다. 여기서 손실함수란 모델의 예측값과 정답 값이 틀릴 수록 큰 값을 주는 함수를 말한다. squared loss란 예측값과 정답값이 틀릴 수록 2차의 함수로 패널티 주는 손실 함수를 말하며, 이를 정의할 수 있다. classification이란 이진 분류로 loss를 결정하는 것으로, 맞으면 0, 틀리면 1을 준다. 이렇게 loss funcion을 결정하면 최적화 문제로 결정 가능. 최종적으로 손실을 최소화하는 w, b를 찾고 일반화하는 것이 목표이다. 일반화 사소한 오류에 과하게 적합하게 되면 오버피팅이 남. 일반화가 되지 않는다는 것이다. ..

AWS console 창에서 Lambda 검색 후 이동 함수 생성 클릭 함수이름을 입력하고, 런타임은 python 3.12 를 선택한다. 람다 함수를 작성할 때 사용할 언어를 선택하는 것. 나는 파이썬이 주 언어이기 때문에 파이썬을 선택했다. 이렇게 하면 함수 생성은 끝난다. 이 화면이 나오면 성공이다. 이제 여기 트리거 추가를 클릭한다. 트리거 추가에서 소스를 선택한다. 소스는 S3를 선택. 아래 그림에 나와있는 것 처럼 버킷은 아까 우리가 만든 버킷을 선택하고, 아래 체크박스에 표시하고 추가를 누르면 lambda에 트리거 추가가 된다. 코드-> 코드 소스 창에서 lambda_function.py 라는 기본 파이썬 파일을 선택한 후 아래 코드를 삽입하고 Deploy를 선택하면 된다. 나중에 추가적으로 ..

프로젝트로 게임을 만든 뒤 AWS로 배포하는 법을 선택하고 배포하였다. 먼저 AWS 콘솔 창에서 로그인 후 검색창에 S3를 검색해서 아래와 같은 그림을 선택한다. 그러면 다음과 같은 화면이 나온다. 여기서 버킷만들기를 선택한다. AWS 리전은 서울, ap-northeasr-2로 지정하고, 버킷의 퍼브릭 액세스 차단을 풀어준다. 아래 경고 문구의 체크박스를 체크한다. 버킷 만들기를 누르면 버킷이 생성된다. 생성한 버킷에 들어가 권한-> 버킷 정책->편집->정책생성기로 들어간다. Select Type of Policy는 S3 Bucket Policy 선택. Principal은 * 기입. Actions는 Getobject 선택. ARN은 버킷정책편집에 있는 버킷 ARN을 복사해서 붙이고, 뒤에 /*을 추가. ..

인공지능의 한 분야. 인공지능에는 기계학습, 컴퓨터 비전, 자언어처리, 로보틱스 등이 포함됨. 데이터로부터 스스로 발전하는 알고리즘을 다루는 학문. 딥러닝은 기계학습 중 신경망 중 layer가 많은 신경망을 쓰는 분야. T = Task : 기계학습으로 무엇을 할 것인지 P = Performance measure : 성능지표대로 평가함. 어떤 성능지표 사용할 것인지. E = Experience -> 데이터를 말함. 어떤 데이터를 사용할 것인지. 기계학습의 가장 중요한 개념과 목표는 일반화. 여러가지를 보고 유사성을 찾아내어 하나의 프로토타입을 만들고 일반화를 함. 추상화 과정. 이것이 더 발전해서 Generative algorithem이 됨. Task에 따라 학습 알고리즘이 달라진다. 그래서 하나의 알고리..

개요Object Detection = Localization + Classification. (locatlization은 회귀문제, classification은 분류문제)one stage detector: localization과 classification을 하나의 네트워크에서 처리속도가 빠름. 정확도가 낮음.Two stage detector: localization과 classification을 나눠서 순차적으로 실행 처리속도가 떨어짐. 정확도가 높음.실제 사용 시, 실시간 검출을 해야하는 경우가 많아지며 속도가 빠른 것이 중요해짐. ⇒ one stage detector를 사용해 정확도를 높이는 방법 연구.출력값Bounding Box의 위치는 4개 값으로 구성되어 있음. (센터의 x, y, w, b)...

집계함수 COUNT(*): NULL값을 포함한 행의 수 출력 COUNT(표현식): NULL 값을 제외한 표현식의 행의 수 출력 SUM([DISTINCT | ALL] 표현식): 표현식의 NULL 값을 제외한 합계 출력 AVG([DISTINCT | ALL] 표현식): 표현식의 NULL 값을 제외한 평균 출력 MAX([DISTINCT | ALL] 표현식): 표현식의 최대값 출력 STDEV([DISTINCT | ALL] 표현식): 표현식의 표준편차 출력 VARIAN([DISTINCT | ALL] 표현식): 표현식의 분산 출력 GROUP BY 행들을 소그룹화 함. GROUP BY 된 상태에서 SELECT 실행 HAVING 조건을 부여하여 조건에 맞는 데이터들을 그룹화 그룹을 나타내는 결과 집합 행에만 조건 부여...

CNN특징추출Convolution Layer이미지 특징 추출에 성능이 좋다.이미지와 필터 간 합성곱 연산을 해서 이미지 특징을 추출. 값이 같으면 위치가 달라도 같은 것이라고 인식.그래서 그래서 위치가 바뀌어도 이미지 식별 가능.값이 나온다는 것은 필터가 표현하는 이미지 특성이 존재한다는 것.동일한 index 값끼리 곱해서 더해줌. weight예시0x1 + 1x0 + 7x1 + 5x1 + 5x2 + 6x0 +5x3 + 3x0 + 3x1 = 40총 네번 실시해서 결과 값은 다음과 같음.추론Dense Layer이미지의 공간적 구조를 학습하는데 어려움. (위치만 바뀌어도 다른 값으로 인식)weight가 많아 학습에 어려움이 있음.Handcraft 방식의 filter영상으로부터 윤곽선 특성을 찾기.sobel 필..

WHERE 절 연산자 비교 연산자 =, >, ≥, 부정 SQL 연산자 NOT BETWEEN a AND b NOT IN() IS NOT NULL ROWNUM & TOP 의미: SQL 처리 결과 집합의 각 행에 대해 임시로 부여되는 일련번호 ex) WHERE ROWNUM < 3 3개 행 출력. ex) SELECT TOP(3) emp_name ORDER BY 절이 사용되면 ROWNUM 과 TOP에 기능 차이 발생 Uploaded by N2T

함수의 이해 내장 함수(입력되는 값이 많아도 출력은 하나만 되는 함수) LOWER(’문자열’): 소문자로 변환 UPPER(’문자열’): 대문자로 변환 ASCII(’문자열’): 문자를 아스키 코드 값으로 변환 CHR, CHAR(숫자): 아스키 코드 값을 문자로 변환 CONCAT(’문자열’, ’문자열’), ||, + : 문자열 붙이기 SUBSTR, SUBSTRING(’문자열’, 시작인덱스, 끝 인덱스): 원하는 문자열만 추출 LENGTH, LEN(’문자열’): 길이 반환 LTRIM(’문자열’, ‘특정문자’): 왼쪽의 특정 문자열 삭제 RTRIM(’문자열’, ‘특정문자’): 오른쪽의 특정 문자열 삭제 TRIM(‘특정문자’ FROM ’문자열’): 양쪽의 특정 문자열 삭제 숫자형 함수 ABS(숫자): 숫자 절대값..