본문 바로가기

전체 글

 (20)
VOLUME.B: Dart 언어 기초 이해 겨울방학을 맞아 처음으로 새로운 언어를 공부해 보려고 합니다. 바로 'Dart'라는 언어인데요 이 언어는 2011년도에 나온것으로 비교적 최신 언어라고 볼 수 있습니다. CHAPTER. 1 - DartPad를 이용하여 개발 환경 구축하기 웹 브라우저를 열고 https://dartpad.dev/? 에 접속합시다. 이렇게 별도의 개발환경을 설치하지않고 웹 브라우저를 통해서 Dart라는 언어를 공부할 수 있게 만들어놓은 사이트입니다. 당분간은 이 웹을 이용해 공부를 하게될 것 같습니다. 더보기 CHAPTER. 3 - 기초적인 숫자와 문자 다루기 문법 의미 주요특징 int 정수 -9,007,199,253,740,992 ~ 9,007,199,254,740,992 double 실수 최대 1.7976931348623..
데이터 가공하기 데이터 병합하기 # 실습을 위한 데이터 프레임 만들기 1 adf = pd.DataFrame({"x1" : ["A","B","C"], "x2": [1,2,3]}) adf # 데이터 프레임 만들기 2 bdf = pd.DataFrame({"x1" : ["A","B","D"], "x3": ["T","F","T"]}) bdf # 데이터 프레임 만들기 3 cdf = pd.DataFrame({"x1" : ["B","C","D"], "x2": [2,3,4]}) cdf 70. 왼쪽 열을 축으로 병합하기 pd.merge(adf, bdf, how='left', on='x1') # x1을 키로 해서 병합, 왼쪽(adf)를 기준으로 # 왼쪽의 adf에는 D가 없으므로 해당 값은 NaN으로 변환 71. 오른쪽 열을 축으로 병합하..
이론 > 트랜스퍼 러닝 트랜스퍼 러닝 : 특정 태스크를 학습한 모델을 다른 태스크 수행에 재사용하는 기법. - 태스크1: 업스트림 태스크(ex. 다음 단어 맞히기, 빈칸채우기 등) / 태스크2: 다운스트림 태스크(ex. 문서 분류, 개체명 인식 등) - 프리트레인: 업스트림 태스크를 학습하는 과정 - 기존보다 모델의 학습 속도가 빨라지고 새로운 태스크를 더 잘 수행하는 경향이 있다. 업스크림 태스크 대표적인 태스크 가운데 하나가 다음 단어 맞히기 입니다. GPT 계열 모델이 바로 이 태스크로 프리트레인을 수행합니다. 예를 들어 티끌 모아라는 문맥이 주어졌고 학습 데이터 말뭉치에 티끌 모다 태산이라는 구가 많다고 하면 모델은 이를 바탕으로 다음에 올 단어를 태산으로 분류..
버스 운행 시간 예측 프로젝트 - 데이터 분석을 위한 중요 개념 1) Featrue vs Target + Feature: 예측을 위해 활용되는 데이터 ( 독립변수 X라고도 함 ) + Target: 예측하고자 하는 대상 ( 종속변수 y라고도 함 ) 2) Numerical Data vs Categorical Data + Numerical Data: 수치형 자료, 숫자로 측정할 수 있는 자료 ex) 기온, 풍속, 체중 등 + Categorical Data: 범주형 자료, 숫자로 측정할 수 없는 자료 ex) 날씨, 혈액형, 성별 등 3) Regression vs Classification + Regression: 회귀 ( 수치형 데이터 예측에 사용 ) ex) 주식 종가 예측 + Classification: 분류 ( 범주형 데이터 ) 예측에 ..
데이터 변환하기 새로운 열 만들기 52. 조건에 맞는 새 열 만들기 53. assign()을 이용해 조건에 맞는 새 열 만들기 54. 숫자형 데이터를 구간으로 나누기 55. 기준 값 이하와 이상을 모두 통일시키기 56. 최댓값 불러오기 57. 최솟값 불러오기 행과 열 변환하기 58. 모든 열을 행으로 변환하기 59. 하나의 열만 행으로 이동시키기 60. 여러 개의 열을 행으로 이동시키기 61. 특정 열의 값을 기준으로 새로운 열 만들기 62. 원래 데이터 형태로 되돌릭 시리즈 데이터 연결하기 63. 시리즈 데이터 합치기 64. 데이터를 병합할 때 새로운 인덱스 만들기 65. 계층적 인덱스를 추가하고 열 이름 지정하기 데이터 프레임 연결하기 66. 데이터 프레임 합치기 67. 열의 수가 다른 두 데이터 프레임 합치기 68..
< 다섯째 마당 > 딥러닝 활용하기 16장 이미지 인식의 꽃, 컨볼루션 신경망(CNN) - MNIST 데이터셋: 고등학생과 인구조사국 직원 등이 쓴 손글씨를 이용해 만든 데이터로 구성되어 있습니다. 7만 개의 글자 이미지에 각각 0부터 9까지 이름표를 붙인 데이터셋이다. 이미지를 인식하는 원리 MNIST 데이터는 텐서플로의 케라스 API를 이용해 간단히 불러올 수 있습니다. X = 이미지 데이터 Y = 이미지에 0 ~ 9를 붙인 이름표 학습에 사용될 부분: X_train, y_train 테스트에 사용될 부분: X_test, y_test 이 이미지는 가로 28 x 세로 28 = 총 784개의 픽셀로 이루어져 있습니다. 각 픽셀은 밝기 정도에 따라 0부터 255까지 등급을 매깁니다. 흰색 배경이 0이라면 글씨가 들어간 곳은 1~255의 숫자 ..
< 넷째 마당 > 딥러닝 기본기 다지기 10장 딥러닝 모델 설계하기 모델 실습| 폐암 수술 환자의 생존율 예측하기 # 텐서플로 라이브러리 안에 있는 케라스 API에서 필요한 함수들을 불러옵니다. from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense # 데이터를 다루는 데 필요한 라이브러리를 불러옵니다. import numpy as np # 깃허브에 준비된 데이터를 가져옵니다. !git clone https://github.com/taehojo/data.git # 준비된 수술 환자 데이터를 불러옵니다. Data_set = np.loadtxt("./data/ThoraricSurgery3.csv", delimiter=",") X = Data_s..
데이터 정렬하기2 행과 열 추출하기 # 28.특정한 행과 열을 지정해 가져오기 #df.loc[가져올 행,가져올 열]의 형태로 불러옵니다. df.loc[:, 'a':'c'] # 모든 인덱스에서, a열부터 c열까지를 가져오라는 의미입니다. # 29. 인덱스로 특정 행과 열 가져오기 df.iloc[0:3, [0, 2]] # 0 인덱스부터 2인덱스까지, 0번째 열과 2번째 열을 가져오라는 의미입니다. (첫 열이 0번째입니다.) # 30. 특정 열에서 조건을 만족하는 행과 열 가져오기 df.loc[df['a'] > 5, ['a', 'c']] # a열의 값이 5보다 큰 경우의 a열과 c열을 출력하라는 의미입니다. # 31. 인덱스를 이용해 특정 조건을 만족하는 값 불러오기 df.iat[1, 2] # 1번째 인덱스에서 2번째 열 값을..

티스토리툴바