또자의 코딩교실

대표적으로 자주 접하는 Integer.parseInt와 더불어 toString, getText, valueof등은 java 언어로 프로그래밍 하는 모든 프로그램에서 중요하게 사용하는 형변환 함수들이다. 기본적으로 자바의 자료형에 대해서 알고 갈 필요가 있다. 8비트의 byte를 기반으로 점차 많은 정보를 담을수록 자료형의 이름또한 달라진다. Casting - (String) 변수가 null이면 문자열 "null"을 반환한다. (여부 체크) 변수가 문자열이 아니면 ClassCastException이 발생한다. String.valueOf() String 클래스의 valueOf 메서드는 객체를 문자열로 변환하여 반환한다. (자료형에 따라 다른 값 반환) 객체가 null이면 문자열 "null"을 반환한다. to..

피어슨 상관계수란? 칼 피어슨(Karl Pearson)이 개발한 상관계수로 -1~+1 범위 내의 수이다. 적률상관계수(product-moment correlation coefficient)라고도 함 일반적으로 상관계수라고 하면 피어슨 상관계수를 말한다. 피어슨 상관계수를 해석하는 법 = 1에 가까울수록 상관도는 비례하고 -1에 가까울수록 반비례한다. = 각 데이터가 완전히 동일하면 +1, 전혀 다르면 0, 반대방향으로 완전히 동일하면 -1의 값을 갖는다. 계수의 부호는 관계의 방향을 나타낸다. 두 변수가 함께 증가하거나 감소하는 경향(비례) 이 있으면 계수가 양수이며, 대체적으로 y=x의 그래프를 띄게 될 것이고, 한 변수가 증가할 때 다른 변수는 감소하는 경향(반비례)이 있으면 계수는 음수이며, 대체적..

캐글은 2010년 설립된 예측모델 및 분석 대회 플랫폼이다. 기업 및 단체에서 데이터와 해결과제를 등록하면, 데이터 과학자들이 이를 해결하는 모델을 개발하고 경쟁한다. 썸네일으로는 2022년에 새로운 타이타닉의 항해소식과... 침몰시켜 새로운 Dataset을 얻기 위해 눈독들이는 Kaggle Meme으로 골라봤다. 이번 포스팅은 상당히 길며, 머신러닝의 method에 따라 진행된다. 문제 정의 이번 포스팅에서는 실제 Kaggle 데이터인 타이타닉 데이터를 이요하여 머신러닝을 진행할 것이다. 사망여부를 예측하는 것이 최종 Label값이 되므로 결과값은 Yes, No 두가지 중 하나의 값이 된다. 이진분류문제(범주형 데이터)가 최종 예측값이 되게 된다. 사용하는 라이브러리는 다음과 같다. import sea..

며칠간 아파서 블로그 작성을 못한 이후 다시 블로그 작성을 시작합니다. 밀린게 많은만큼 할일도 많네요 ㅠ.ㅜ 차근차근 다시 해봅시다! 포스팅 할 거리 1.왜 csv파일을 import할때에는 왜 json파일로 바꿔서 import해야만 정상작동 했는가? 깃허브에 커밋내역이나 고민한 과정 >> 리드미 열심히 써서 정리 해결과정 코드가 가독성이 좋지않아서 참고 규칙이나 코드 출처 링크랑 비포 애프터 코드조각을 캡쳐따서 정리해두기 돌아가게 만드는거 보다 내가 다뤘던 언어들에 대해 기초가 탄탄하고 개념이 잘 박힌 사람이 뭘 갖다써도 잘 알고 가져다 쓰는 것이 보이도록 잘 개념정리를 해놓자! 프로젝트 고도화 부분 1. bespoke 시네마에 검색기능 추가하기 2. 회원별 프로필 사진 변경하는 기능 3. css파일을 ..

이번 포스팅에서는 실제 개발했던 프로젝트 사이트의 이동경로에 맞춘 Back-end Process중 첫화면 - 회원가입 - 로그인 - MBTI추천 메인사이트를 유즈케이스와 화면설계서를 동반하여 설명하고자 한다. 사이트의 서비스 흐름도는 다음과 같다. 이제 각 사이트들의 최종 결과 화면을 보며 백엔드적인 요소들을 살펴보자. 위는 첫화면의 화면설계서이다. 코딩이 진행된 View에서 중요한 body 부분만 발췌하겠다. 로그인 당신만의 영화를 찾으세요 여기,&nbsp BESPOKE CINEMA에서 회원가입 a태그에 herf 속성을 주고 사이트 내 context path뒤, Handler Mapping이 이동할 경로인 memberForm.do(회원가입) 로 이동하도록 설정하였다. 같은 방식으로 로그인또한 설정하였다..

이번 포스팅에서는 분류와 회귀에 모두 사용가능한 머신러닝의 모델인 K-최근접 이웃 알고리즘에 대해 알아보자. K-Nearest Neighbors(KNN) 새로운 데이터 포인트와 가장 가까운 훈련 데이터셋의 데이터 포인트를 찾아 예측함. k값에 따라 가까운 이웃의 수가 결정됨. 분류와 회귀에 모두 사용 가능함. KNN 모델의 장단점 이해하기 쉬고 조정없이도 좋은 성능을 발휘함 많은 특성을 가진 데이터 세트와 특성 값 대부분이 0인 희소한 데이터 세트에는 잘 동작하지 않음 전처리 과정이 중요하고 잘 쓰이지 않음 거리를 측정하기 때문에 같은 scale을 같도록 정규화가 필요함 훈련 데이터 세트가 크면(특성, 샘플의 수) 예측이 느려짐 우선, 결정 경계에 대해 이해할 필요가 있다. 결정경계는 가져온 DATA S..

이번 포스팅에서부터는 일반화, 과대적합, 과소적합 등에 대해 알아보자. 머신러닝에 있어서는 일반화 성능이 최대화 되는 모델(모델 복잡도 곡선에서의 최적점)을 찾는 것이 목표이다. Generalization 일반화 훈련 세트로 학습한 모델이 테스트 세트에 대해 정확히 예측하도록 하는 것. (시험에 대해 답이 객관식으로 모두 지정되어 있음) Overfitting 과대적합 (=데이터가 조금만 달라져도 민감하게 반응함) 특징이 너무 많아 훈련 세트에 너무 맞추어져 있어 테스트 세트의 성능이 저하됨. 너무 상세하고 복잡한 모델링을 하여 훈련데이터에만 과도하게 정확히 동작하는 모델. Inderfitting 과소적합 (=특징이 적어 훈련data를 충분히 반영하지 못함) 특징 하나정도만 있는 정도로 훈련세트를 충분히 ..

Machine Learning이란? 머신러닝은 당신이 4차 산업혁명시대를 살면서 한번쯤은 뉴키워드로 들어보았을 법한 단어일 것이다. 머신러닝을 기반으로 컴퓨터는 판단능력과 추론능력을 가지게 되며, 학습을 통해 진화하여 새로운 것을 만드는 창의력을 함양할 수 있는 가능성이 열리게 된 것이다. 이런 식으로 머신러닝과 딥러닝을 기반으로 하여 만들어지는 인공지능들에는 총 3가지의 분류가 존재한다. Weak AI - 학습을 통해 문제를 해결한다. - 주어진 조건 아래서만 작동하여 사람을 흉내 내는 수준에 그친다. - ex) 구글 알파고, 시리, 자율자동차, 구글 번역 등 Strong AI - 사고를 통해 문제를 해결한다. - 사람과 비슷한 지능을 가지고 추론, 문제해결, 계획, 의사소통 등이 가능하다. Super..