Docstring Convention Docstring 작성법 Parameter Explanation (매개변수 설명에 대한 관례) Type 1 def complex(real=0.0, imag=0.0): """Form a complex number. Keyword arguments: real -- the real part (default 0.0) imag -- the imaginary part (default 0.0) """ if imag == 0.0 and real == 0.0: return complex_zero ... Type 2 def fetch_words(url): """ url주소에서 파일을 가져와 단어 리스트를 반환합니다. :param url: 불러올 url :return: """ with ..
\(\texttt{virtualenvwrapper}\) Extension \(\texttt{virtualenvwrapper}\) 확장팩 * Official \(\texttt{Virtualenvwrapper}\) Document (URL) virtualenvwrapper 5.0.1.dev2 — virtualenvwrapper 5.0.1.dev2 documentation Shell Aliases Since virtualenvwrapper is largely a shell script, it uses shell commands for a lot of its actions. If your environment makes heavy use of shell aliases or other customizations,..
Parameter Optimization 파라미터 최적화 - 알파 모델에 필요한 파라미터들을 가장 좋은 성능을 낼 수 있도록 최적화하는 작업을 의미한다. Modelparameter Optimization (모델파라미터 최적화) - 모델 파라미터는 머신러닝 모델에서 필요한 파라미터로, 머신러닝 알고리즘이 스스로 찾는 값이다. Modelparameter Optimization in Logistic Regression Model \(W^t * X = Y\) \(X\) : 입력변수 \(Y\) : 출력변수 \(W^t\) : 로지스틱 회귀에서 찾아야 하는 벡터값 (모델 파라미터) Hyperparameter Optimization (하이퍼파라미터 최적화) - 하이퍼파라미터는 머신러닝 모델을 실행할 때 설정하는 파라미..
Performance Evaluation 성능 평가 - 학습된 인공지능의 성능을 평가하는 도구들에 대해 논한다. Confusion Matrix (Contingency Table; 혼동 행렬, 분할표) - 항목별 분류 결과를 테이블 형태로 표현한 것이다. - 예측 정확도만으로 알 수 없는 머신러닝 모델의 예측 특성과 Bias(데이터 편향) 등의 추가적인 정보를 알 수 있다. * Bias (데이터 편향) - 테스트에 사용된 데이터가 한쪽으로 치우쳐져 있어 예측결과를 제대로 평가할 수 없는 상황을 의미한다. Actual Condition : 실제 값을 의미한다. Predicted Condition : 인공지능이 예측한 값을 의미한다. Positive : Yes 혹은 True를 의미한다. Negative : N..
Classification Model 분류 모델 - 데이터가 어느 종류에 속하는지를 판별하는 AI 모델이다. - Yes/No로 답할 수 있는 Decision Problem(결정 문제)를 해결하는 AI 모델이다. - 분류 또한, 회귀와 같이 데이터의 포함 관계를 밝히기 위해 산점도를 이용한다. - 회귀와 달리, 분류 모델에서 결과값은 이산적이다. - 분류를 통한 문제해결의 예시는 아래와 같다: 컨텐츠 추천 스팸메일 분류 이미지·얼굴·글자·음성 인식 질병 진단 유전자 데이터 인식 재정 위험 파악과 관리 주가 예측 Classification Algorithms (분류 알고리즘) Naive Bayes Classifier Logistic Regression Support Vector Machine (SVM) Ra..
Feature Selection (Variable Selection, Attribute Selection) 특징 선택 (변수 선택, 속성 선택) - 머신러닝에 사용할 변수를 선택하는 작업을 의미한다. - 출력변수와 연관성이 높은 입력변수를 선택하여 예측력을 높이는 것을 목표로 한다. - Overfitting Problem(과적합 문제)을 방지하기 위해, 입력 변수의 선별과정에는 반드시 사람이 개입되어야 한다. Overfitting Problem (과적합 문제) - AI가 입출력 데이터에 과도하게 최적화되어 있어 예측력이 떨어지는 현상을 의미한다. - 주어진 데이터에 어떻게든 뜯어 맞추어 모델을 만들어내는 머신러닝 알고리즘의 특성으로 인해 생기는 문제이다. - 과적합된 AI는 Seen Data(주어진 데이..
Denormalization 반정규화, 역정규화 - 특정 상황에서 DB 성능 향상을 위해 일정 부분 데이터 중복을 허용하는 작업들을 지칭한다. - 반정규화는 조회 성능은 향상시킬 수 있으나, 입력·수정·삭제 성능은 저해될 수 있어 이 부분을 염두하고 진행해야 한다. * 반정규화를 통해 성능 향상을 기대할 수 있는 경우 - Entity의 Instance 개수가 많은 상황에서(=데이터가 많은 상황에서) 둘 이상의 Entity 간 Join을 수행하는 경우 (이 경우, Join에 연관된 엔터티들을 합치면 성능 향상을 기대해볼 수 있다.) * 반정규화로 인해 성능이 저하되는 경우 - 엔터티를 합침으로써 반정규화를 수행한 이후, 갱신 로직이 추가되는 경우 (즉, 조회 성능을 향상시킨 대신 불필요한 갱신 로직이 추가..
