์ผ | ์ | ํ | ์ | ๋ชฉ | ๊ธ | ํ |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
- ํน๋ณ ๋ฉ์๋
- Machine learning
- ๊ตํํ์
- special method
- Deeplearning
- anaconda ๊ฐ์ํ๊ฒฝ
- ์ฒญ์ถ ํ์ดํ
- ์ด์ฐจ์ ์ง
- set method
- Python
- 2022๋
- ์ ๋ฝ ๊ตํํ์
- ์ ๋ฝ
- ์๊ทน์ฌ
- ๋ฏธ๋์์ ์ฅํ์
- Andrew ng
- Linear Regression
- cost function
- li-ion
- fluent python
- ๋์23์ด
- ์ต์๊ณต๋ฐฐ์
- gradient descent
- ๋ฅ๋ฌ๋
- ์ค์คํธ๋ฆฌ์
- ๋ฏธ๋์์ ํด์ธ๊ตํ
- set add
- ์ ํํ๊ท
- m1 anaconda ์ค์น
- electrochemical models
- Today
- Total
๋ชฉ๋ก๐ค AI/๊ฐ๋ฐ๊ณต๋ถ (5)
Done is Better Than Perfect
โข๏ธ ํ์ด์ฌ์ผ๋ก ์ฝ๋ฉํ ์คํธ ๊ณต๋ถ๋ฅผ ํ ๋งํผ ํ์ด์ฌ์ ์ต์ํ์ง๋ง ํ์ด์ฌ์ ์ธ๊ณ๋ ๊ณต๋ถํ ์๋ก ๋์ฑ ์ด๋ ค์ด ๊ฒ ๊ฐ๋ค. โข๏ธํ์ด์ฌ์ผ๋ก ํ์ ๊ณต๋ถ๋ฅผ ํ๋ ค๋ฉด ์ ๋๋ก ์์์ผ ํ๋ค๋ ๊ต์๋์ ์ถ์ฒ๊ณผ ํ์ด์ฌ์ค๋ฌ์(pythonic)์ ๊น์ด์๊ฒ ์ดํดํ๊ณ ์'Fluent Python' ์คํฐ๋๋ฅผ ์์ํ์๋ค. 1-1. Python Data Model, Special MethodโAbstractํ์ด์ฌ์ด ์ฒ์ ๋ฐฐ์ธ ๋ ์ข์ ์ธ์ด๋ผ๊ณ ์์ฃผ ์ธ๊ธ๋๋ ์ด์ ์ค ํ๋๋ ์ธ์ด์ ์ผ๊ด์ฑ ๋๋ฌธ์ด๋ค. ์๋ฅผ ๋ค์ด, object์ ๊ฒฝ์ฐ len( ) ํจ์๋ฅผ ์ฌ์ฉํ์ฌ ํฌ๊ธฐ๋ฅผ ์ป์ ์ ์๋ค. ์ด์ ์ผ๊ด๋๊ฒ, ์ฌ์ฉ์ ์ ์ ํด๋์ค๋ __len__( )์ ๊ฐ์ ํน์ ๋ฉ์๋๋ฅผ ๊ตฌํํ ๋ ์ด๋ฌํ ๊ธฐ๋ฅ์ ์ฌ์ฉํ ์ ์๋ค. ๐ก Python magic methodํน..
์ค๋์ ํ์ด์ฌ์ ๊ธฐ์ด์ค์ ๊ธฐ์ด! ์ต๋ ๊ณต์ฝ์์ ์ต์ ๊ณต๋ฐฐ์๋ฅผ ํ์ด๋ณด์!! ์ต๋ ๊ณต์ฝ์(Greatest Common Divisor)๋ ๊ณต์ฝ์ ์ค์ ๊ฐ์ฅ ํฐ ์ ์ด๋ค. ๊ณต์ฝ์๋ ๋์์ ๊ทธ๋ค ๋ชจ๋์ ์ฝ์์ธ ์ ์์ด๋ค. ์ต์ ๊ณต๋ฐฐ์(Least Common Multiple)๋ ๊ณต๋ฐฐ์ ์ค์ ๊ฐ์ฅ ์์ ์ ์ด๋ค. ๊ณต๋ฐฐ์๋ ๋์์ ๊ทธ๋ค ๋ชจ๋์ ๋ฐฐ์์ธ ์ ์์ด๋ค. 1. ์ต์ ๊ณต๋ฐฐ์ GCD(Greatest Common Divisor) ์ ํด๋ฆฌ๋ ํธ์ ๋ฒ์ด๋?2๊ฐ์ ์์ฐ์(๋๋ ์ ์) a, b ์ต๋๊ณต์ฝ์๋ b์ a-b์ ์ต๋๊ณต์ฝ์์ ๊ฐ๋ค. (a>b) ์ ํด๋ฆฌ๋ ํธ์ ๋ฒ - ์ํค๋ฐฑ๊ณผ, ์ฐ๋ฆฌ ๋ชจ๋์ ๋ฐฑ๊ณผ์ฌ์ ์ ํด๋ฆฌ๋ ํธ์ ๋ฒ(-ไบ้คๆณ, Euclidean algorithm) ๋๋ ์ ํด๋ฆฌ๋ ์๊ณ ๋ฆฌ์ฆ์ 2๊ฐ์ ์์ฐ์ ๋๋ ์ ์(ๆดๅผ)์ ์ต๋..
๋ฅ๋ฌ๋์ ๊ฐ์ฅ ๋ง๋จ์์ ์ด๋ฃจ์ด์ง๋ ๊ฐ์ฅ ๊ธฐ๋ณธ์ ์ธ ๋๊ฐ์ง ๊ณ์ฐ ์๋ฆฌ๊ฐ ์๋ค. 1. ์ ํ ํ๊ท(linear regression) 2. ๋ก์ง์คํฑ ํ๊ท(logistic regression) ์ค๋์ ๋จผ์ ์ ํํ๊ท๋ฅผ ์์๋ณด๋๋ก ํ์! ์ ํ ํ๊ท linear regression์ ํํ๊ท๋ ์ข ์๋ณ์(y)์ ํ ๊ฐ ์ด์์ ๋ ๋ฆฝ ๋ณ์(x1, x2...)์ ์ ํ๊ด๊ณ๋ฅผ ๋ชจ๋ธ๋ง ํ๋ ํ๊ท๋ถ์ ๊ธฐ๋ฒ์ด๋ค.๋ ๋ฆฝ ๋ณ์๊ฐ ํ๋์ธ ๊ฒฝ์ฐ๋ฅผ ๋จ์ ์ ํํ๊ท๋ผ ํ๊ณ , ๋ ์ด์์ธ ๊ฒฝ์ฐ ๋ค์ค ์ ํํ๊ท๋ผ ํ๋ค. ์ ํ ํ๊ท๋ ์ ํ ์์ธก ํจ์๋ฅผ ์ฌ์ฉํด ํ๊ท์์ ๋ชจ๋ธ๋งํ๋ค. ์๋ ค์ง์ง ์์ ํ๋ผ๋ฏธํฐ๋ ๋ฐ์ดํฐ๋ฅผ ํ์ฉํ์ฌ ์์ธกํ๋ค. ์ด๋ ๊ฒ ๋ง๋ค์ด์ง ํ๊ท์์ ์ ํ ๋ชจ๋ธ์ด๋ผ๊ณ ํ๋ค. ์ ํ์ ๋ค์๊ณผ ๊ฐ์ ์ผ์ฐจํจ์์ ํํ๋ฅผ ๋๋ค.y = ax + b ์ ํ ํ๊ท์ ๋ชฉ..
collection ์๋ฃ๊ตฌ์กฐ - ๋ฐ์ดํฐ๋ฅผ ์ฐ๊ด์ํค์ง ์๊ณ ๋ชจ์๋๋ ์ปจํ ์ด๋ ํ์ด์ฌ์์๋ set, dictionary๊ฐ ์๋ค. ์ค๋์ ์ฐ์ set์ method์ ์ฌ์ฉ ์์๋ฅผ ์์๋ณด๋๋ก ํ์!# set; ๋ฐ๋ณต ๊ฐ๋ฅ, ๊ฐ๋ณ์ , ์ค๋ณต X, ์ ๋ ฌ X, ์ธ๋ฑ์ค ์ฐ์ฐ X -> ๋ฉค๋ฒ์ฝ ํ ์คํธ(in), ์ค๋ณต ํญ๋ชฉ ์ ๊ฑฐ์ ์ฌ์ฉ SET์ method1) A.add(x) : set A ์ x๊ฐ ์์ ์ถ๊ฐ# add: ์ถ๊ฐfruits = {"apple","banana","orange"}fruits.add("mango")print(fruits)# {'apple', 'orange', 'mango', 'banana'} 2) A.clear( ) : set ์ ๋ถ ์ญ์ # clear: ์ญ์ fruits.clear()print(fruits)#..
์ด๋ฒ์ ๋ ธํธ๋ถ์ ๋ฐ๊พธ๊ณ ๊ฐ๋ฐํ๊ฒฝ์ ์ค์ ํ๋ ์ค์ธ๋ฐ ์ด๋ฒ์ ์๋กญ๊ฒ ๋์จ M1์ด๋ผ ์ต์ํด์ง๋๋ผ ์ด๊ฒ์ ๊ฒ ๋ง์ ธ๋ณด๋ ์ค์ด๋ค. ์์ฃผ ์ฌ๋ฏธ์๋ค ๐ 1) anaconda ์ค์น - LINUX, MAC, WINDOWS anaconda์ค์นํ์ด์ง์ ์ ์ผ ์๋์์ ๋ณธ์ธ์ ์ปดํจํฐ์ ๋ง๋ OS๋ฅผ ๊ณจ๋ผ ์ค์นํ๋ฉด ๋๋ค. Anaconda | The World's Most Popular Data Science Platform Anaconda is the birthplace of Python data science. We are a movement of data scientists, data-driven enterprises, and open source communities. www.anaconda.com - MAC M1 APPLE M..