용감해지고 싶은 쫄보의 도전기

1. 순서데이터셋 → 배치로 분할 → 모델 생성 → 학습 및 가중치 최적화 2. baselineimport torchfrom torch import nn# 데이터 정의x_train = torch.Tensor([1,2,3,4,5,6]).view(6,1)y_train = torch.Tensor([3,4,5,6,7,8]).view(6,1)# Dataset/DataLoader 데이터 정의from torch.utils.data import TensorDatasetfrom torch.utils.data import DataLoaderdataset = TensorDataset(X_train, y_train)dataloader = DataLoader(dataset, batch_size32, shuffle=True)# ..

1. 데이터 분할train datavalidation datatest data모델 학습X_train : input featurey_train : labelepoch 마다 성능 평가→ 모델 개선에 사용모델 학습 후 최종 평가 2. train_data => 배치 사이즈로 분할 : DataLoader- 학습 데이터가 매우 큰 경우, 시간이 오래 걸리고 메모리도 부족하고, 모든 데이터의 gradient를 한번에 계산하기 어렵다- 데이터 행을 쪼개 일부만 먼저 넣어 성능을 평가하고 가중치를 업데이트 시키고, 또 일부 행을 입력하고 반복 1) 텐서 정의- 일반적으로 1차원 데이터를 벡터, 2차원 데이터를 행렬, 3차원 데이터를 텐서라고 말하지만,파이토치에서는 차원에 관계 없이 입력과 출력, 학습에 필요한 모든 데이..

1. 혼동 행렬- 분류 모델의 성능을 평가하기 위해 예측 결과와 실제 레이블을 비교해 정리한 표- 모델이 얼마나 잘 예측했는지, 어떤 유형의 오류가 발생햇는지 파악할 수 있게 도와준다.1) 구성요소- Positive : 관심있는 사건, 대립가설 → 이진분류에서 1(양성, 불량, 이상,,,)- Negative: 정상, 평소, 귀무가설 - True: 맞춘거(True를 True로, False를 False로 예측)- False: 틀린거(True를 False로, False를 True로 예측) 2) 1종오류 - 귀무가설이 맞는데(Actual Negative) 대립가설이 맞다고 함(예측, Predicted Positive)=> 틀렸으니까 False, Positive로 예측했으니까 => FP- 위험한 경우: 공정성과 ..

프로그래머스 SQL 고득점 kit 4일차( SELECT level2-3문제, lever2 끝!) 1. WITH- 복잡한 쿼리를 읽기 쉽게 하기 위해 서브쿼리를 미리 선언한 다음 재사용 할 수 있다.(변수 처럼)- WITH 별칭 AS 서브쿼리WITH WANT_NUM AS ( SELECT CODE FROM SKILLCODES WHERE NAME IN ('Python', 'C#')) 2. IN과 EXISTSINEXISTS값을 정확하게 매칭할때 (리스트에 포함 여부)조건이 참이되는 행의 존재 여부 (동적으로 검사할때)전체를 한번에 비교한 행씩 비교 (성능 최적화)SELECT ID, EMAIL, FIRST_NAME, LAST_NAMEFROM DEVELOPERSWHERE EXISTS ( SEL..

1. streamlit과 fastapi 연결# 파일 구조fe_main.py # 터미널1에서 실행: streamlit run fe_main.pybe_main.py # 터미널2에서 실행: uvicorn be_main:app --reload1) fe_main.pyimport streamlit as stimport requestsst.title('안녕하세요😊 API 연습장 입니다!')st.write("오늘의 행운의 숫자를 확인해 보세요!")if st.button("행운의 숫자 조회하기"): response = requests.get(f"http://127.0.0.1:8000/number") if response.status_code == 200: rand_num = response.js..

1. 로지스틱 회귀분석- 확률은 0~1로 값이 제한되며, 0과 1근처에서 변화가 비대칭적이다 (0.1→0.2가 0.8→0.9보다 변화량 크다)- 확률을 로그오즈로 변환해 선형 모델을 만들고, 시그모이드 함수를 사용해 다시 0~1 범위의 확률로 변환- 선형 관계는 독립 변수와 종속 변수간의 영향을 직관적으로 이해할 수 있기 때문! 1) 오즈란?- 한 사건이 발생할 확률과 발생하지 않을 확률의 비율2) 오즈를 사용하는 이유- 해석의 일관성과 상대적 중요성 비교를 쉽게 하기 위해서- 확률만 사용하면 변화량이 같아도, 초기 값에 따라 변화의 중요성이 다르게 보이는 비일관성이 발생- 변수 중요성을 비교하거나 최적화 방향을 설정하기 어렵다- 오즈는 확률을 비율로 바꿔서 공평하게 비교 - p가 0이나 1에 가까울 경..

0. Computational Graph- 연산 과정을 그래프로 표현하여 수학적 계산을 효율적이고 체계적으로 수행할 수 있도록 돕는 도구 1. Tensorflow와 Keras- 배포와 안정성이 중요한 프로덕션 환경에 적합 (모바일 애플리케이션, 클라우드 배포, IoT 디바이스 등)- 대규모 데이터 처리에 강점, Google지원으로 장기 지원과 생태계 제공- Define and Run : 그래프를 먼저 정의하고, 실행 시점에 데이터를 feed(넣어줌)1) Tensorflow- 대규모 배포와 클라우드 지원- 배포 및 프로덕션 친화적- Google 생태계와의 통합- 초기에 정적 그래프로 디버깅이 어려웠으나 현재는 동적 그래프도 지원2) Keras- 초기에 독립적인 라이브러리로 시작했지만, tensorflow ..

프로그래머스 SQL 고득점 kit 3일차( SELECT level2-2문제)1. 서브쿼리와 JOIN구분서브쿼리JOIN언제 사용?- 비교적 간단한 조건처리- 단일 값 반환(스칼라 서브쿼리)- 테이블간 관계가 명확하지 않거나 불필요할 때- 복잡한 관계를 처리- 테이블 간 연관된 데이터를 결합성능- 소규모 데이터에서 더 효율적일 수 있음- 서브쿼리가 반복 실행되면 성능 저하- 데이터 크기가 크거나 인덱스를 활용할 경우 효율적- 실행 계획 최적화로 반복 작업 줄임 2. 서브쿼리를 JOIN으로 리팩토링1) 서브쿼리SELECT ITEM_ID, ITEM_NAME, RARITYFROM ITEM_INFOWHERE ITEM_ID IN (SELECT ITEM_ID FROM ITEM_TREE..