티스토리

준비하는 대학생

검색하기

블로그 홈

준비하는 대학생

gsbang.tistory.com/m

Bangii 님의 블로그입니다.

구독자: 2

방명록 방문하기

주요 글 목록

[자연언어 처리] CNN 핵심 요소 합성곱 신경망(CNN)은 딥러닝에서 이미지 인식, 음성 인식 등 다양한 분야에서 성공적으로 활용되고 있습니다. 풀링 (Pooling) 풀링은 CNN에서 중요한 역할을 합니다. 특성 맵에서 중요한 정보를 보존하면서 크기를 줄여 계산 부하를 감소시키고, 과적합을 방지합니다. 최대 풀링 (Max Pooling): 윈도우 내에서 가장 큰 값을 선택하여 특성을 요약합니다. 중요한 정보를 강조하고, 더 뚜렷한 특징을 추출합니다. 평균 풀링 (Average Pooling): 윈도우 내 모든 값의 평균을 계산하여 정보를 압축합니다. 더 부드러운 특성 맵을 생성합니다. CNN의 핵심 요소 중 하나는 풀링(pooling)입니다. 풀링은 CNN의 합성곱 층에서 생성된 특성 맵의 차원을 줄여주는 다운샘플링 과정입니다. 이는 .. 공감수 0 댓글수 0 2023. 11. 25.
[자연언어처리] 피드 포워드 신경망(MLP, CNN) 피드 포워드 신경망, 특히 다층 퍼셉트론(MLP)은 기계 학습 분야에서 분류와 회귀 문제를 해결하기 위해 널리 사용되고 있습니다. 이러한 신경망은 입력 벡터를 받아 여러 개의 숨겨진 층을 거치면서 변환을 수행하고, 마지막으로 출력 층을 통해 예측을 수행합니다. 각 층은 일련의 노드(또는 뉴런)로 구성되며, 각 노드는 가중치와 활성화 함수를 통해 이전 층으로부터의 신호를 변환합니다. 다층 퍼셉트론의 기본 구조 MLP의 기본 구성 요소는 다음과 같습니다. 입력 층: 실제 데이터를 네트워크에 주입하는 레이어입니다. 숨겨진 층: 하나 이상의 층으로 구성되며, 각 층은 여러 노드로 구성됩니다. 이 노드들은 가중치와 함께 활성화 함수를 통해 입력을 처리합니다. 출력 층: 최종 예측을 수행합니다. 분류 문제의 경우,.. 공감수 1 댓글수 2 2023. 11. 25.
[Deep Learning] Activation Function (활성화 함수) 활성화 함수는 인공신경망에서 비선형성을 도입하여 복잡한 함수를 모델링하는 데 필수적인 요소입니다. 여기서는 널리 사용되는 몇 가지 활성화 함수들을 살펴보고, 이들의 특징과 수학적 표현, 코드 구현 및 그래프를 통해 각각을 자세히 이해할 수 있도록 하겠습니다. 계단 함수(Step Function) 계단 함수는 가장 단순한 형태의 활성화 함수입니다. 입력값이 0보다 작으면 0을, 그렇지 않으면 1을 출력합니다. 하지만 이 함수는 동일한 출력을 가질 수 있는 다양한 입력값들에 대해 구분을 할 수 없다는 단점이 있습니다. 예를 들어, 시험 점수가 60점 이상이면 합격, 그렇지 않으면 불합격으로 처리하는 경우, 59점과 0점은 차이가 있음에도 불구하고 둘 다 불합격으로 분류됩니다. import torch impo.. 공감수 0 댓글수 0 2023. 11. 10.
[데이터 마이닝] 근접도 측정 데이터 마이닝의 다양한 영역에서 유사성과 비유사성의 개념은 데이터 포인트 간의 유사함 또는 불일치를 정량화하는 기본적인 척도로 자리 잡고 있습니다. 이러한 척도들은 클러스터링, 분류, 추천 시스템과 같은 다양한 데이터 마이닝 작업에서 중요한 역할을 합니다. 유사성(Similarity)과 비유사성(Dissimilarity)이란 무엇인가? 유사성은 두 데이터 객체가 얼마나 비슷한지를 수치적으로 측정하는 것입니다. 객체가 더 비슷할수록 값이 높으며, 일반적으로 0에서 1 사이의 범위에 있습니다. 여기서 1에 가까운 값은 높은 유사성을, 0에 가까운 값은 낮은 유사성을 나타냅니다. 반면, 비유사성은 두 데이터 객체가 얼마나 다른지를 측정합니다. 객체가 더 유사할수록 비유사성 측정값은 낮으며, 종종 0에서 시작합.. 공감수 1 댓글수 0 2023. 11. 9.
[데이터 마이닝] 데이터 마이닝 전처리(Data Mining Preprocessing) 데이터 마이닝에서 전처리 과정은 데이터를 분석하기 위해 준비하는 중요한 단계입니다. 이 과정은 데이터의 품질을 향상시키고, 분석 알고리즘의 효율성을 높이며, 더 정확한 결과를 얻기 위해 필수적입니다. 전처리 과정은 다음과 같은 주요 단계를 포함합니다: 집계(Aggregation) 집계는 두 개 이상의 속성이나 객체를 하나의 속성이나 객체로 결합하는 과정입니다. 이는 데이터의 차원을 축소하고, 고가의 데이터 알고리즘을 사용할 수 있게 합니다. 목적 데이터 축소: 속성이나 객체의 수를 줄입니다. 규모 변화: 도시를 지역, 주, 국가 등으로 묶거나, 날짜를 주, 월, 년 등으로 묶을 수 있습니다. 더 안정적인 데이터: 집계된 데이터는 일반적으로 변동성이 적습니다. 예시: 호주의 강수량 1982년부터 1993년.. 공감수 0 댓글수 1 2023. 11. 8.
[코드트리 챌린지] 5주차 - Parametric Search / 최소 통과 시간 https://www.codetree.ai/missions/8/problems/minimum-transit-time?&utm_source=clipboard&utm_medium=text 코드트리 | 코딩테스트 준비를 위한 알고리즘 정석 국가대표가 만든 코딩 공부의 가이드북 코딩 왕초보부터 꿈의 직장 코테 합격까지, 국가대표가 엄선한 커리큘럼으로 준비해보세요. www.codetree.ai 문제 해결 방법 이 문제는 Parametric Search를 활용하여 해결할 수 있습니다. 주어진 시간 동안 각 통로가 얼마나 많은 물건을 통과시킬 수 있는지 계산하고, 그 합이 n개 이상인지 확인하는 것이 핵심입니다. 1. 결정 함수 (Decision Function) 먼저, 주어진 시간 mid 동안 n개의 물건을 모두 .. 공감수 0 댓글수 1 2023. 10. 7.
[데이터 마이닝] 데이터 마이닝 - 데이터 속성 (Attribute) 객체의 속성 또는 특성입니다. 예: 사람의 눈 색깔, 온도 등. 속성은 variable, field, characteristic, dimension, feature 이라고도 합니다. (변수, 필드, 특성, 차원 등) 객체 (Object) 객체는 레코드, 포인트, 케이스, 샘플, 엔티티 또는 인스턴스라고도 합니다. Attribute Values 할당된 숫자나 기호를 의미 속성과 속성의 값 구분 동일한 속성을 다른 속성과 매핑 예 : 높이나 피트나 미터로 매핑할 수 있다. 동일한 값들의 셋이 있을 때 다른 속성과 매핑될 수 있다. 예 : 아이디와 나이 값이 있을 때 정수형이라는 하나의 셋으로 매핑될 수 있다. ( 각 속성의 정의와 값의 대한 종류랑은 구분된다. ) 속성의 타입 No.. 공감수 1 댓글수 0 2023. 10. 1.
[코드트리 챌린지] 4주차 - 이진탐색 / 컴퓨터와 함께하는 숫자 게임 2 https://www.codetree.ai/missions/8/problems/play-number-game-with-computer-2?&utm_source=clipboard&utm_medium=text 코드트리 | 코딩테스트 준비를 위한 알고리즘 정석 국가대표가 만든 코딩 공부의 가이드북 코딩 왕초보부터 꿈의 직장 코테 합격까지, 국가대표가 엄선한 커리큘럼으로 준비해보세요. www.codetree.ai 이 문제는 이분 탐색의 원리를 사용하여 해결할 수 있습니다. 컴퓨터가 선택한 숫자를 찾기 위해 사람들은 항상 범위의 중간값을 선택합니다. 따라서 가능한 최소와 최대의 횟수를 구하기 위해 이분 탐색을 수행하면서 횟수를 계산합니다. def game_duration(m, a, b): # 최소 횟수와 최대 횟.. 공감수 0 댓글수 0 2023. 10. 1.
[코드트리 챌린지] 3주차 - +1-1 Technique / 가장 많이 겹치는 구간 https://www.codetree.ai/landing/level-test/6289/result/4?&utm_source=clipboard&utm_medium=text 코드트리 | 코딩테스트 준비를 위한 알고리즘 정석 국가대표가 만든 코딩 공부의 가이드북 코딩 왕초보부터 꿈의 직장 코테 합격까지, 국가대표가 엄선한 커리큘럼으로 준비해보세요. www.codetree.ai 문제 분석 문제는 여러 개의 구간이 주어졌을 때, 가장 많이 겹치는 부분에서 몇 개의 구간이 겹치는지를 찾는 것입니다. 간단한 예를 들면, 구간 [2, 16]과 [4, 6]은 4에서 6까지 겹칩니다. 이러한 방식으로 모든 구간들이 얼마나 겹치는지를 파악하고 가장 많이 겹치는 부분을 찾아야 합니다. 풀이 방법 각 구간의 시작점과 끝점을 점.. 공감수 0 댓글수 0 2023. 9. 24.
[데이터 마이닝] 데이터 마이닝 모델링 절차와 방법론 데이터 마이닝은 많은 데이터 속에서 유용한 정보나 패턴을 찾아내는 과정입니다. 이 포스트에서는 데이터 마이닝 모델링의 주요 절차와 방법론인 CRISP-DM에 대해 알아보겠습니다. CRISP-DM CRISP-DM은 데이터 마이닝 프로젝트를 수행하는 표준적인 방법론입니다. 여섯 가지 주요 단계로 구성되어 있습니다. 비즈니스 이해 목적 및 목표의 이해 상황 평가 및 데이터 마이닝 목표 설정 프로젝트 계획 수립 데이터 이해 초기 데이터 수집 데이터 탐색 및 품질 검증 데이터 준비 (전 처리) 데이터 설정 및 선택 데이터 정제와 생성 데이터 형식 적용 모델링 모델링 기법 선택 모델 생성 및 평가 평가 결과 평가 및 프로세스 재 검토 향후 단계 결정 전개 모델 전개 계획 및 유지보수 계획 수립 최종 보고서 작성 및.. 공감수 0 댓글수 0 2023. 9. 17.
[자연어 처리] 웹 스크레이핑 기초 - 1 웹 스크레이핑과 웹 크롤링 웹에서 데이터를 수집하는 방법에는 크게 웹 스크레이핑과 웹 크롤링이 있습니다. 이 두 용어는 종종 혼용되어 사용되지만, 명확한 차이점이 있습니다. 웹 스크레이핑은 특정 웹사이트에서 원하는 정보를 직접 추출하는 것을 의미합니다. 예를 들어, 영화 리뷰, 뉴스 기사, SNS 데이터 등을 수집할 때 사용합니다. 반면, 웹 크롤링은 웹 스크레이핑보다 넓은 범위의 데이터를 시스템적으로 수집하는 것을 말합니다. 이는 주로 검색 엔진에서 사용되며, 연결 구조를 파악하고 인덱싱 하는 데 사용됩니다. 다양한 데이터 수집 방법 RSS 피드: 웹 사이트의 업데이트를 XML 형식으로 제공합니다. OCR: 이미지나 PDF 내의 문자를 인식합니다. 개인화된 데이터: 사용자 동의 하에 개인화된 텍스트 데.. 공감수 0 댓글수 0 2023. 9. 14.
[코드트리 챌린지] 2주차 - HashMap / 원소의 합이 0 https://www.codetree.ai/cote/16/problems/the-sum-of-the-elements-is-0?&utm_source=clipboard&utm_medium=text 코드트리 | 코딩테스트 준비를 위한 알고리즘 정석 국가대표가 만든 코딩 공부의 가이드북 코딩 왕초보부터 꿈의 직장 코테 합격까지, 국가대표가 엄선한 커리큘럼으로 준비해보세요. www.codetree.ai 문제 분석: 이 문제는 네 개의 수열 A, B, C, D에서 각 수열에서 한 원소씩 선택하여 합한 값이 0이 되는 조합의 수를 찾는 문제입니다. 일반적으로 모든 조합을 시도하여 문제를 해결한다면, 시간 복잡도는 O(n^4)이 되어 n=5000의 최대 크기에서는 시간 내에 해결이 어렵습니다. 따라서 효율적인 방법을 .. 공감수 0 댓글수 0 2023. 9. 13.
[데이터 마이닝] 데이터 마이닝 - 기본 개념 및 주요 기술 데이터 마이닝은 막대한 양의 데이터에서 숨겨진 패턴, 관계 및 정보를 찾아내는 과정입니다. 이 기술은 다양한 분야에서 활용되며, 비즈니스, 의학, 과학, 금융 등에서 중요한 역할을 합니다.1. 데이터 마이닝의 주요 방법예측 방법(Prediction Methods): 알려진 변수를 사용하여 알 수 없는 다른 변수나 미래 값을 예측합니다. 예를 들어, 과거의 판매 데이터를 기반으로 미래의 판매량을 예측할 수 있습니다.설명 방법(Description Methods): 데이터 내의 패턴을 찾아 데이터를 설명하려는 방법입니다. 이는 데이터의 구조와 관계를 이해하는 데 도움이 됩니다.2. 대표적인 데이터 마이닝 기술분류(Classification): 데이터를 특정 카테고리로 분류하는 기술입니다. 예를 들어, 고객 .. 공감수 0 댓글수 0 2023. 9. 12.
[데이터 마이닝] 데이터 마이닝이란 무엇인가? 데이터 마이닝이란 무엇이며, 왜 중요한가? 데이터 마이닝은 현대의 디지털 시대에서 핵심적인 역할을 하는 기술입니다. 그렇다면 데이터 마이닝이란 무엇이며, 왜 중요한지 알아보겠습니다. 왜 데이터를 마이닝해야 할까요? 상업적 관점: 우리 주변에는 웹 데이터, e-commerce, 스마트폰 데이터 등 방대한 양의 데이터가 끊임없이 생성되고 있습니다. 컴퓨터 기술의 발전으로 데이터 처리가 더욱 저렴하고 강력해졌습니다. 경쟁이 치열해진 시대에, 데이터를 통해 고객에게 더 나은 맞춤형 서비스를 제공하는 것은 필수가 되었습니다. 과학적 관점: 위성, 전파 망원경, 마이크로 어레이 등 다양한 기기와 시뮬레이션을 통해 테라바이트 단위의 데이터가 생성됩니다. 이런 방대한 데이터를 처리하고 분석하기 위해서는 전통적인 방법만.. 공감수 0 댓글수 0 2023. 9. 12.
[코드트리 챌린지] 1주차 - 자리 수 단위로 완전탐색 / Carry 피하기 2 자리 수 단위로 완전탐색 / Carry 피하기 2 https://www.codetree.ai/cote/17/problems/escaping-carry-2?&utm_source=clipboard&utm_medium=text 코드트리 | 코딩테스트 준비를 위한 알고리즘 정석 국가대표가 만든 코딩 공부의 가이드북 코딩 왕초보부터 꿈의 직장 코테 합격까지, 국가대표가 엄선한 커리큘럼으로 준비해보세요. www.codetree.ai 나의 답 import itertools n = int(input()) numbers = [int(input()) for _ in range(n)] max_number = -1 for n1,n2,n3 in itertools.combinations(numbers,3): carry = Fal.. 공감수 0 댓글수 0 2023. 9. 6.
[네트워크] 웹 보안 및 네트워크 기초 1. 쿠키와 세션 1-1. 쿠키란? 쿠키는 작은 데이터 조각으로, 웹 클라이언트(브라우저)에 저장됩니다. 주로 이름과 값의 쌍으로 구성되며, 웹 사이트가 사용자의 정보를 기억하기 위해 사용됩니다. 용도: 사용자의 로그인 상태 유지 사용자의 선호 언어나 테마 등의 설정 정보 저장 방문 횟수나 광고 클릭 수 등의 트래킹 장기성: 쿠키는 만료 날짜가 정해져 있으며, 그 시점까지 브라우저에 저장됩니다. 1-2. 세션의 정의와 기능 세션은 서버 측에 저장되는 사용자 정보로, 일련의 상호작용을 하나의 상태로 묶기 위해 사용됩니다. 쿠키와 달리 보안에 민감한 정보를 저장하기 적합하며, 각 사용자마다 고유한 세션 ID를 통해 구분됩니다. 세션 ID: 사용자마다 고유한 ID. 보통 쿠키를 통해 클라이언트에 전송되며, 이.. 공감수 0 댓글수 0 2023. 8. 24.
[Network] 네트워크 레이어, IP 프로토콜 IP 주소란? IP 주소(Internet Protocol address)는 인터넷에서 컴퓨터나 장치를 식별하는 데 사용되는 고유한 주소입니다. 편지를 보낼 때 수신자의 주소를 기록하는 것처럼, 데이터를 전송할 때 해당 데이터가 올바른 위치로 전송되도록 하기 위해 IP 주소를 사용합니다. IPv4 (인터넷 프로토콜 버전 4) 정의: IPv4는 32비트 주소 체계를 사용하는 IP 주소의 버전입니다. 표기법: IPv4 주소는 네 개의 숫자 블록으로 표시되며 각 블록은 0에서 255 사이의 숫자로 구성됩니다. 예: 192.168.1.1 주소 공간: IPv4는 약 43억 개의 주소 공간을 가집니다. 이렇게 제한된 주소 공간 때문에 주소 부족 문제가 발생하게 되었습니다. IPv6 (인터넷 프로토콜 버전 6) 정의:.. 공감수 0 댓글수 0 2023. 8. 18.
[Network] Transmission Control Protocol(TCP) 1. TCP란? TCP는 Transmission Control Protocol의 약자로, 데이터 전송을 관리하는 인터넷 프로토콜입니다. 이는 우리가 인터넷을 통해 정보를 주고받을 때, 해당 정보가 안정적이고 순서대로 도착하는 것을 보장해 주는 핵심 역할을 합니다. 2. TCP를 사용하는 이유 예를 들어, 전자 메일을 보낼 때 메일의 내용이 흐트러지지 않고, 모든 문장이 순서대로 도착해야 한다고 상상해보세요. TCP는 이러한 신뢰성 있는 데이터 전송을 보장하기 위해 설계되었습니다. 3. TCP의 주요 특징 신뢰성: TCP는 데이터의 분실, 중복 또는 오류가 발생할 경우 재전송을 수행합니다. 연결 지향적: 통신을 시작하기 전에 송수신자간에 연결을 설정합니다. 흐름 제어: 네트워크의 혼잡도를 감지하고 데이터 .. 공감수 0 댓글수 0 2023. 8. 10.
[Network] Selective Repeat (SR) 프로토콜 1. Selective Repeat 프로토콜이란? Selective Repeat (SR)는 ARQ (Automatic Repeat reQuest) 프로토콜의 한 종류로, 전송 중인 데이터 패킷 중 에러가 발생한 패킷만 재전송하는 방식을 채택하였습니다. 이는 Go-Back-N 방식과는 다르게, 잘못된 패킷만 선택적으로 다시 보내는 방법입니다. 2. 작동 원리 슬라이딩 윈도우: SR 프로토콜은 슬라이딩 윈도우 방식을 사용하여 데이터 패킷을 전송합니다. 송신 윈도우와 수신 윈도우는 각각 데이터를 전송하고 수신하는 데 사용됩니다. ACK & NACK: 패킷을 수신한 후 수신자는 ACK(acknowledgement)를 보내어 올바르게 수신되었음을 알립니다. 에러가 발생한 패킷에 대해서는 NACK(negative .. 공감수 0 댓글수 0 2023. 8. 10.
[Network] Go-Back-N Automatic Repeat reQuest (ARQ) Go-Back-N ARQ의 기본 개념: Go-Back-N ARQ는 sliding window 기반의 에러 제어 방식입니다. 전송 측에서는 N개의 프레임을 연속적으로 보낼 수 있지만, 수신 측에서는 오직 순서대로만 프레임을 수신받을 수 있습니다. 만약 중간에 하나라도 프레임이 손실되면, 그 이후의 프레임들은 모두 무시되고, 전송 측에서는 손실된 프레임부터 다시 전송하게 됩니다. 동작 방식: 전송 측: N개의 프레임을 연속적으로 전송할 수 있으며, 각 프레임에는 고유한 순번이 부여됩니다. 전송한 프레임에 대한 확인 응답(ACK)을 기다립니다. 수신 측: 순서대로 프레임을 수신받을 수 있습니다. 올바르게 수신받은 프레임에 대해 ACK을 전송합니다. 잘못된 순번의 프레임을 수신받게 되면, 해당 프레임과 그 이후.. 공감수 0 댓글수 0 2023. 8. 10.
[Network] 슬라이딩 윈도우 기법 1. 슬라이딩 윈도우란? 슬라이딩 윈도우는 연속된 데이터에서 일정 크기의 윈도우를 설정하고, 이 윈도우를 하나씩 이동시키면서 데이터를 처리하는 기법입니다. 이 방식은 배열, 문자열, 데이터 스트림 등 다양한 연속 데이터에서 효과적으로 작동합니다. 2. 언제 사용하는가? 연속된 데이터에서 최댓값/최솟값 찾기 평균, 중간값 계산 패턴 탐색 (예: 문자열 내 서브스트링 찾기) 네트워크 통신에서의 데이터 전송 관리 3. 기본적인 원리 슬라이딩 윈도우 기법의 가장 기본적인 원리는 다음과 같습니다. 윈도우 크기를 결정합니다. 윈도우를 데이터의 첫 부분에 위치시킵니다. 윈도우 내의 데이터를 처리합니다. 윈도우를 오른쪽으로 한 칸 이동시킵니다. 윈도우가 데이터의 끝에 도달할 때까지 3-4 단계를 반복합니다. 4. 슬라.. 공감수 0 댓글수 0 2023. 8. 10.
[Network] HTTP 기초 인터넷에서 데이터를 주고받는 규칙을 정의하는 데에 사용되는 여러 가지 프로토콜 중 하나가 HTTP(Hypertext Transfer Protocol)입니다. 여기서는 HTTP에 대한 기본적인 이해를 제공하고, 그 중요한 요소들에 대해 논의해 보겠습니다. HTTP 프로토콜이란? HTTP는 클라이언트와 서버 사이에서 데이터를 주고받는 방법을 정의하는 프로토콜입니다. 웹 브라우저(클라이언트)가 서버에 정보를 요청하면, 서버는 이에 대한 응답을 반환합니다. HTTP는 주로 HTML 문서를 전송하는 데 사용되지만, 이미지, 비디오, JSON, XML 등 다른 형식의 데이터도 전송할 수 있습니다. HTTP의 요청/응답 모델 HTTP는 요청/응답 모델을 사용합니다. 클라이언트(일반적으로 웹 브라우저)가 HTTP 요청.. 공감수 0 댓글수 0 2023. 7. 27.
[네트워크] 네트워크 기초(3) - 다양한 네트워크 기기와 네트워크 형태 1. 네트워크 기기의 종류 네트워크 기기는 크게 물리 어플라이언스와 가상 어플라이언스로 분류할 수 있습니다. 1.1 물리 어플라이언스 물리 어플라이언스는 우리 눈에 보이는 물리적인 장치를 의미합니다. 이러한 장치들은 패킷을 처리하는 소프트웨어가 최적으로 작동할 수 있는 하드웨어로 구성되어 있습니다. 이런 장치들의 특징은 복잡한 처리를 수행하거나, 단순한 처리를 수행하는 것을 별도의 전용 하드웨어가 담당하게 함으로써 처리 효율과 성능을 향상하는 데 있습니다. 1.2 가상 어플라이언스 가상 어플라이언스는 가상화 기술을 활용해 작동하는 네트워크 기기를 의미합니다. 이런 가상 어플라이언스는 물리 서버를 소프트웨어적으로 가상화하여 서버나 네트워크 기기로 나누어 사용하는 것이 특징입니다. 이렇게 만들어진 가상의 서.. 공감수 0 댓글수 0 2023. 7. 27.
[네트워크] 네트워크 기초(2) - 계층별 네트워크 구성기기 네트워크 구성을 이해하려면, 네트워크 계층 구조를 알아야 합니다. 네트워크는 크게 물리 계층, 데이터 링크 계층, 네트워크 계층, 트랜스포트 계층, 그리고 애플리케이션 계층으로 나눠집니다. 각 계층별로 중요한 구성 기기들을 알아봅시다. 1. 물리계층 물리 계층은 케이블이나 커넥터 형태, 핀 할당(핀 배열) 등 물리적인 사양에 관해 모두 정의되어 있는 계층입니다. 이 계층에서 주요 구성기기들은 다음과 같습니다. NIC(Network Interface Card): 네트워크에 연결하기 위한 하드웨어로, USB 포트와 연결하는 USB 타입, 마더 보드에 내장되어 있는 온보드 타입 등이 있습니다. 모든 네트워크 단말은 애플리케이션과 운영체제가 처리한 패킷을 NIC를 이용해 LAN 케이블이나 전파로 보냅니다. 리피.. 공감수 0 댓글수 0 2023. 7. 27.
[네트워크] 네트워크 기초(1) - 네트워크의 기본 구조와 기능 네트워크 기술의 이해 데이터 통신에는 다양한 요소들이 복잡하게 얽혀 있으며, 이를 이해하는 것은 정보통신 기술을 이해하는데 중요한 부분입니다. 이 글에서는 네트워크 기술의 기초적인 부분을 설명하고, 이를 통해 전반적인 통신 시스템을 이해하는 데 도움을 제공하고자 합니다. 이 기술들은 우리가 지금 이 글을 읽고 있는 인터넷을 가능하게 하는 기반이기도 합니다. 1. 회선 교환 방식과 패킷 교환 방식 데이터가 어떻게 네트워크를 통해 이동하는지 이해하려면 먼저 '회선 교환 방식'과 '패킷 교환 방식'에 대해 알아야 합니다. 1.1 회선 교환 방식(circuit exchange method) 회선 교환 방식은 데이터를 교환하기 전에 1:1의 전송로를 만들고, 교환을 마칠 때까지 전송로를 계속 사용하는 방식입니다... 공감수 1 댓글수 1 2023. 7. 26.
[기계학습] 차원축소 - LDA LDA란? LDA(Linear Discriminant Analysis)는 선형 판별 분석법으로 PCA와 비슷합니다. LDA는 입력데이터의 차원을 축소하는 것이 PCA와 비슷하지만 LDA는 지도학습의 분류에 사용하기 쉽게 개별 클래스를 분별할 수 있는 기준을 최대한 유지하면서 축소합니다. PCA는 데이터의 변동성이 가장 큰 축을 찾았다면 LDA는 데이터의 결정 클래스를 최대한으로 분리할 수 있는 축을 찾는 것입니다. LDA는 특정 공간 내 클래스를 최대로 분리할 수 있는 축을 찾기 위해 클래스간 분산과 클래스 내부 분산의 비율을 최대화 하는 방식으로 차원을 축소합니다. 즉, 같은 클래스 끼리는 뭉쳐있고, 다른 클래스와의 거리를 최대화 하게 하여 분류하기 쉬운 차원으로 축소하는 것입니다. LDA를 구하는 방.. 공감수 0 댓글수 0 2023. 6. 22.
[기계학습] 평가지표 정확도 정확도란? 실제 데이터에서 예측 데이터가 얼마나 같은지 판단하는 지표 $$ 정확도 = \frac{예측\ 결과가\ 동일한\ 데이터\ 건수}{전체\ 예측\ 데이터\ 건수} $$ 정확도 지표의 이진분류 모델 성능 왜곡 import numpy as np from sklearn.metrics import accuracy_score, confusion_matrix, precision_score, recall_score # 예를 들어, 데이터셋에 클래스 1이 5개, 클래스 0이 95개 있는 경우 y_true = [0] * 95 + [1] * 5 y_pred = [0] * 100 # 모델이 항상 0으로만 예측 # 정확도 계산 accuracy = accuracy_score(y_true, y_pred) print(.. 공감수 0 댓글수 0 2023. 6. 19.
[기계학습] 로지스틱 회귀 (Logistic Regression) 로지스틱 회귀란 일반적인 선형 회귀는 연속적인 값을 예측하는 데 사용되지만, 로지스틱 회귀는 이진 분류 문제(binary classification)를 해결하는 데 적합합니다. 예를 들어, 이메일이 스팸인지 아닌지, 환자가 특정 질병을 가지고 있는지 여부 등을 판별할 수 있습니다. 동작 원리 선형 결합: 우선, 입력 특성들과 각 특성에 대응하는 가중치들을 곱한 값을 모두 합하여 선형 결합(Linear Combination)을 구합니다. $$ z = b+x_1w_1+x_2w_2+...+x_nw_n $$ 여기서 w는 기울기, x는 특성 값입니다. b 는 절편(편향,bias)입니다. Logit을 확률로 변환: 이 선형 결합 값을 Logit 함수의 역함수인 Sigmoid 함수에 통과시켜서, 0과 1 사이의 확.. 공감수 1 댓글수 0 2023. 6. 9.
[기계학습] 선형회귀 모델 선형회귀란? 선형회귀는 종속 변수 y와 하나 이상의 독립 변수(또는 설명 변수) X와의 선형 상관 관계를 모델링하는 회귀분석 기법입니다. 즉, 데이터를 가장 잘 대표하는 직선을 찾는 것이 목적입니다. 이때, 직선은 기울기와 절편을 가지며, 이를 통해 새로운 데이터에 대해 y 값을 예측하는 데 사용할 수 있습니다. 수식으로 표현하면, y = wx + b와 같이 나타낼 수 있습니다. 여기서 y는 종속 변수, x는 독립 변수, w는 가중치(기울기), b는 절편입니다. 회귀분석 모델의 종류 단순회귀분석(Simple Regression Analysis) : 독립 변수가 1개인 회귀분석 (Y=b+wx+ϵ) 다중회귀분석(Multiple Regression Analysis) : 독립 변수가 여러 개인 회귀분석 (Y=b.. 공감수 0 댓글수 2 2023. 6. 9.
[기계학습] 에이다부스트, 그래디언트 부스트 에이다부스트(AdaBoost) 에이다부스트는 Adaptive Boosting의 줄임말로, 약한 학습기를 순차적으로 학습시키면서 이전 모델들이 잘못 분류한 데이터에 대해 가중치를 조정해 나가는 방법입니다. 가중치 부여: 처음에는 모든 데이터 샘플에 동일한 가중치가 부여됩니다. 학습 및 가중치 업데이트: 각 학습기가 순차적으로 학습하면서, 잘못 분류된 데이터 샘플들의 가중치를 높이고, 올바르게 분류된 데이터 샘플들의 가중치를 낮춥니다. 최종 예측: 모든 학습기가 학습을 마친 후, 학습기들의 예측을 가중합하여 최종 예측을 만듭니다. 에이다부스트(AdaBoost) 동작 원리 AdaBoost는 아래와 같은 순서로 동작합니다: 데이터셋의 각 샘플에 동일한 가중치가 부여됩니다. 초기 가중치는 1/N으로 설정되며, N.. 공감수 1 댓글수 0 2023. 6. 8.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.