코린이 성장일기

🗒️ 오늘 풀어볼 문제 배열의 유사도 : https://school.programmers.co.kr/learn/courses/30/lessons/120903 배열 회전시키기 : https://school.programmers.co.kr/learn/courses/30/lessons/120844 중복된 문자 제거 : https://school.programmers.co.kr/learn/courses/30/lessons/120888 프로그래머스 코드 중심의 개발자 채용. 스택 기반의 포지션 매칭. 프로그래머스의 개발자 맞춤형 프로필을 등록하고, 나와 기술 궁합이 잘 맞는 기업들을 매칭 받으세요. programmers.co.kr 💻 문제 풀이 1. 배열의 유사도 : 이중 for 문을 사용했다. def solut..

머신러닝에 대해서 이해 없이 나무를 만들고 숲을 만들고 부스팅을 돌려보려니 정신이 혼미해진다. . . 성신여대 김영훈 교수님의 '실습으로 배우는 머신러닝'을 다시 켰다 .. 설명이 아주깔끔하고 이해가 쏙쏙되는 전개다..! 기초쌓기에는 최고인 것 같다 !! 1주차부터 차근차근 기초를 쌓아가야함의 필요성을 느끼고, 1주차를 완주함 ! 👇 강의를 보시려면 요기 👇 http://www.kmooc.kr/dashboard?status=audit 로그인 | K-MOOC www.kmooc.kr 1주차에서 가장 인상 깊었던 것은 Loss 와 Learning에 대해 이해한 부분이다. 선형회귀 함수를 설명해주시면서 본질적인 학습 원리를 설명해주셨는데, 간략히 배운 것에 대해 정리해보고자 한다. ⭐ 모델을 만들어 학습시키기 ..

1. 앙상블 : '전체적인 어울림이나 통일', '조화', '함께, 동시에'라는 의미를 가진 프랑스어 2. 머신러닝에서 앙상블 학습(Ensemble Learning)이란, 말 그대로 여러 모델을 써서 조합하여 결과를 낸다. 이렇게 하면 하나의 분류나 회귀 모델이 가진 최고 성능보다 더 좋은 성능을 얻을 수 있다. 그래서 요즘 Kaggle의 우승사례를 보면 대부분 앙상블을 사용했다고. . . 예를 들어보면, DecisionTree 모델 하나만 쓰는 게 아니라, KMN, 로지스틱, SVM과 같은 모델을 사용해서 결과물을 종합해서 가장 좋은 결과를 내는 것으로, 3. 가장 대표적인 앙상블 모델이 Random Forest이다. Decision Tree를 기반으로 앙상블을 하는 것인데, 말 그대로 나무를 모아서 숲..

이번주부터 본격 머신러닝에 돌입했다 . 희권님이 붙여주신 러닝머신이라는 별명이 좋았다.. . 왜냐면 처음 배우기 전 머신러닝은 뭔가 멋진 것을 배우는 것 같아서 기대감 폭발이었는데, , , 한 주 배우고나니, , 러닝머신처럼 힘들었다 , , , 나와 이름이 같은 조은 강사님^_^께서 추천해주신 복습방법 : 공식문서 TIL 해보기 이것으로 이번주를 복습해보고자 한다 ! ! 이번주는 Decision Trees를 사용해보았다. 그 중에서도 Classification ! ! 관련해서 Decision Trees 공식문서를 공부해보고자 한다. ! 👇 scikit-learn 공식문서 링크 https://scikit-learn.org/stable/user_guide.html User guide: contents Use..

seaborn의 plottiing 기능에 대해 전반적으로 살펴보자. seaborn의 대부분의 작업이 플로팅 기능에서 일어난다. 이 튜토리얼의 이후 장에서는 각 기능에서 제공하는 특정 기능을 살펴본다. 이 장에서는 접하게 될 다양한 종류의 함수를 개괄적으로 소개한다. Similar functions for similar tasks 유사한 작업에 대한 유사한 기능들 seaborn namespace는 평평하다. 즉, 모든 기능은 최상위 수준에서 접근할 수 있다. 그러나 코드 자체는 계층 구조이며, 서로 다른 수단을 통해 유사한 시각화 목표를 달성하는 함수 모듈로 구성되어 있다. 대부분의 문서는 이러한 모듈을 중심으로 구성되어 있다. "관계형relational", "분산형distributional", "범주형c..

Multivariate views on complex datasets 일부 seaborn 함수는 여러 종류의 플롯을 결합하여 데이터 세트에 대한 정보 요약을 신속하게 제공합니다. jointplot()는 단일 관계에 중점을 둡니다. 각 변수의 주변 분포와 함께 두 변수 간의 결합 분포를 플로팅합니다. penguins = sns.load_dataset("penguins") sns.jointplot(data=penguins, x="flipper_length_mm", y="bill_length_mm", hue="species") 다른 하나는 pairplot()으로 더 넓게 볼 수 있습니다. 모든 쌍들의 관계와 각 변수에 대한 연결성과 한계의 분포를 각각 보여줍니다. sns.pairplot(data=penguin..