본문 바로가기

전체 글

 (184)
[자바스크립트 JavaScript] 객체에서 데이터 접근하기 객체 내부의 있는 값에 접근하는 방법 // 객체 let ob = { name: '오브젝트', bornYear: 2023, isTrue: true, lecture: { title: "자바스크립트", language: "JacaScript" } }; ob 라는 객체가 존재할 때 ob객체에서 데이터를 접근하는 방식에는 2가지가 있다. 1. 점 표기법 (objectName.propertyName) 이렇게 객체 이름 다음에 마침표(.)를 찍고 바로 프로퍼티 이름을 입력하는 방식이다. 객체의 데이터를 접근하는데 가장 간단하고 많이 사용되는 방식이다. ✔️ 주의할 점! : 점 표기법에서는 프로퍼티의 띄어쓰기가 허용되지 않는다 예) ob의 bornYear 프로퍼티 출력하기 console.log(ob.bornYear) ..
Linux 리눅스 기본 개념, 명령 [2] - vi editor 사용법 Editor 편집기 종류 vim(vi) : 가장 기본적인 텍스트 에디터, OS에 기본적으로 포함됨 emacs : 강력하고 기능이 다양한 에디터, 사용법이 어렵고 복잡 gedit : GUI기반의 텍스트 에디터, 메모장과 비슷 vi editor File open $ vi file // 편집 모드 $ view file // 읽기 모드 Modes Insert Mode(입력모드) : 입력하는 모든 것이 편집 버퍼에 입력됨 : 입력모드에서 빠져 나올 때(명령 행 모드로 변경 시): "ESC" key Command Mode(명령 행 모드) : 입력하는 모든 것이 명령어로 해석됨 vi editor 데이터 삭제 x: 현재 커서가 위치한 한 문자 삭제 dd: 현재 커서가 위치한 줄 삭제 D: 현재 커서가 위치한 곳에서 오..
Linux 리눅스 기본 개념, 명령 [1] - 리눅스 구조, 디렉터리 리눅스의 구조 파일 Hierarchy 디렉터리 /user : 공유 가능한 파일들 포함 /etc : 시스템에서 사용하는 관리 파일 init, getty, mknod, motd, passwd, ... /bin : 기본적인 실행 가능한 명령 파일을 가지고 있음 cat, cp, date, echo, mv, pwd, ... /tmp : 임시 디렉터리 /dev : 장치 파일들이 있는 디렉터리. 시스템의 모든 입출력 파일을 가지고 있음 /lib : 기본적인 프로그램 모듈이 있는 디렉터리 명령어 - 구조 명령어 조합 Command + Options + Arguments ex) $ ls $ ls -a $ ls -a /home01/optpar09 - 명령어 Command 일반적으로 소문자 무넛을 할 것인가? - 옵션 Op..
2023.07.02 [DEVOCEAN YOUNG 전용 밋업] 후기 2023.7.2 20시에 진행한 데보션 영 전용 밋업 후기! 데보션 영 1기로 활동할 때 인상 깊었던 활동 중 하나가 데보션 영 전용 밋업이었는데, 올해도 참여할 수 있어서 좋았다. 날씨도 좋은 한 여름밤에 세미나를 들으면서 많은 고민들을 해소할 수 있는 시간이었다. 세미나도 너무 유익하고 좋았는데, 오랜만에 상기님과 하늬님을 볼 수 있어서 좋았다!.! (보고싶습니당..) 1. 생생한 취업준비 과정과 팁 (심재훈님) 개인적인 취업 준비 과정을 말해주셔서 화면 캡처는 하지 않았지만, 대학원 진학과 취업과 요즘 고민을 하고 있는 나에게 이런 실질적이고 날 것(?)의 경험공유가 너무 도움이 많이 되었다. 작년 세미나와 같은 내용인데도 작년이랑 올해랑 듣는데 와닿는 정도가 달랐다. 작년에는 그냥 미래의 얘기 같..
영상처리_기말_수식정리
MFC/C++ 윈도우 프로그래밍 - 자주 쓰이는 함수 정리 윈도우 프로그래밍 C++ MFC 프로그래밍 기말 - 자주 쓰는 함수 정리
데이터베이스 실습 기록 (3) MySQL Isolation level~exERD실습 MySQL 트랜잭션의 격리수준Isolation level 확인, 변경하기 트랜잭션 격리 수준 확인하기 트랜잭션 격리 수준 변경하기 -> 변경된 격리 수준 확인하기 exERD 설치해서 실습하기 맥환경에는 설치가 복잡해서 윈도우 환경에서 다운로드 받고 실행함 용어사진 설정하기
데이터베이스 실습 기록 (2) CREATE TABLE~사용자 권한 지정 CRAETE DATABASE문 DROP DATABASE문 CREATE TABLE문 DROP TABLE문 ALTER TABLE문 - ADD - DROP COLUMN - RENAME COLUMN 제약조건 NOT NULL문 UNIQUE문 PRIMARY KEY CHECK문 DEFAULT문 CREATE INDEX문 AUTO INCREMENT Field DATES VIEWS문 사용자 계정을 생성하고 CRUD 권한 지정 - 사용자 조회하기 - 사용자 생성하기 - 사용자 삭제하기 특정 데이터베이스의 모든 테이블에 모든 권한을 부여함 권한 반영 스토리지 엔진 실습 - 트랜잭션 실습 committ, rollback 트랜잭션 SAVEPOINT DDL문의 트랜잭션
데이터베이스 실습 기록 (1) SELECT문~UNION 연산자 SELECT문 SELECT DISTINCT문 WHERE문 AND문 OR문 NOT문 ORDER BY문 INSERT INTO문 NULL UPDATE문 DELETE문 SELECT TOP문 MIN문 MAX문 COUNT문 AVG문 SUM문 IN문 BETWEEN문 ALIASES문 JOIN문 INNER JOIN문 LEFT JOIN문 RIGHT JOIN문 FULL JOIN문 -> UNION문
딥러닝으로 걷는 시계열 예측 [CH11] KOSPI200 데이터를 이용한 삼성전자 주가 예측 실제 주가를 RNN으로 구성해보자 1. 주가 데이터 모집 삼성전자의 주식 가격과 KOSPI200의 가격을 이용해, 내일의 삼성전자 주가를 예측하는 모델을 만들어 보자. 성능 비교하기 - 삼성전자 한 가지만을 가지고 DNN, LSTM으로 구성한 모델과 입력 데이터가 두 가지 (삼성전자, KOSPI200 지수)이므로 두 가지 데이터를 단순 DNN, LSTM으로 구성한 모델과 비교 - 앙상블(다:1)로 구성해서 비교 데이터는 삼성전자 주가 데이터와 KOSPI20지수를 csv파일로 다운로드 받는다 2. 데이터 저장 데이터를 효과적으로 사용하기 위해 csv 파일을 불러와서 numpy파일로 저장하여 작업한다 3. panda를 numpy로 변경 후 저장 pandas 데이터를 numpy로 바꾸는 방법은 pandas 데..
딥러닝으로 걷는 시계열 예측 [CH10] RNN 모델 정리 RNN 모델에 split_xy로 자른 데이터셋을 적용하여 모델의 인풋과 아웃풋의 shape별로 정리해보자! shape만 맞다면 어떤 모델(Dense모델 또는 RNN모델)이든지 바뀌가며 사용할 수 있다는 점! 1. MLP DNN 모델 (다:1) RNN을 DNN으로 변환이 가능하다는 것을 알 수 있다. https://github.com/yenyen31/Artificial-Intelligence-in-Finance/blob/main/CH10/10_1.py GitHub - yenyen31/Artificial-Intelligence-in-Finance: Artificial-Intelligence-in-Finance Artificial-Intelligence-in-Finance. Contribute to yenye..
SCC 스터디 [Level1] - 오늘의 SwiftUI 1
SCC 스터디 [Level1] - Swift문법 시작하기
딥러닝으로 걷는 시계열 예측 [CH08] 케라스 모델의 파라미터들과 기타 기법들 1. Verbose : model.fit과 predict에서 사용하는 파라미터 CH07에서 사용한 LSTM 소스에 model.fit에 verbose를 추가하는 소스로 변경하면 터미널 창에서 결과를 확인하면 훈련하는 모습이 보이지 않고 바로 결과가 나타난다. verbose=0으로 설정하면 훈련하는 모습이 나타나지 않는다. 시간을 단축할 수 있는 장점이 있다. verbose=1이면 진행 상황들을 보여주고, 훈련되고 있는 모습 2가지를 화면에 보여준다. 2. EarlyStoppig 모델 학습을 시키면 오히려 성능이 떨어지는 과적합 단계로 빠지게 된다. 케라스에서는 어느 정도의 결괏값이 나오게 되면 멈추게 하는 기능이 제공된다. 이 기능은 fit에서 사용한다. EarlyStopping을 import하고 earl..
딥러닝으로 걷는 시계열 예측 [CH07] RNN 1) RNN이란? RAN(순환신경망, Recurent Neural Network)은 주로 시계열 문적, 자연어 처리 등 순서가 있는 데이터에 사용하면 좋은 결과가 있는 모델이다. 실제로 주식, 파생상 품, 기상, 전력량 등을 계산할 때 매우 유효하고 캐글이나 해커톤 등의 대회에서 시계 열 문제를 다룰 때 많이 사용된다. https://www.youtube.com/watch?v=PahF2hZM6cs&ab_channel=MinsukHeo%ED%97%88%EB%AF%BC%EC%84%9D 영상에 자세하게 나와있어서 링크 첨부! 2) SimpleRNN 가장 기본적인 RNN x의 행의 수 = y의 벡터 크기 1~5까지의 인풋으로 6이 나오고, 2~6까지의 인풋으로 7이 아웃풋, 마지막 3~7까지의 인풋으로 8이 나..
딥러닝으로 걷는 시계열 예측 [CH06] 회귀 모델 총정리 앙상블에서 나올 수 있는 4가지 구조로 진행. 다:1, 다:다, 1:다 형태로 모델을 만들 것이다. 모델들끼리 앙상블되는 구조들을 주의해서 확인하자! 전체 데이터들은 train과 test로 분리하고, 각 데이터의 train은 각 7개, test는 각 3개, predict용 데이터는 각 3개를 이용한다. (train_test_split을 이용한 데이터 자르는 작업, 전처리 작업은 생략. test, validation은 test셋으로 함께 진행) 1. Sequential 모델 1) Sequential 1:1 모델 코드 내용은 깃허브 주석 참고! 🚀 트러블 슈팅 🚀 30번 라인에서 x_predict = np.array([11, 12, 13]) TypeError: array() takes from 1 to 2 ..
반응형

티스토리툴바