code cleaner

명칭 설명 (예1) -x+2y-6 (예2) 12a 항 수 또는 문자의 곱으로만 이루어진 식 -x, 2y,-6 12a 상수항 수로만 이루어진 항 -6 0 계수 수와 문자의 곱으로 이러우진 항에서 문자 앞에 곱해진 수 x의 계수 : -1, y의 계수 : 2 a의 계수 : 12 다항식 하나 이상의 항의 합으로 이루어진 식 True True 단항식 다항식 중에서 하나의 항으로만 이루어진 식 False True 항의 차수 항에서 곱해진 문자의 개수 1차 1차 다항식의 차수 다항식의 항 중에서 차수가 가장 큰 항의 차수 1차 1차 일차식 차수가 1인 다항식 True True [참고 : 중1 수준으로 작성됨]

1. 아나콘다 프롬프트 실행하기 2. 분석 개발을 한 가상환경 실행하기 conda activate 가상환경명 pip freeze > requirements.txt => requirements.txt의 파일이 생성된다. 내부를 확인하면, 바로 설치할 수 있게 파일이 생성된다. 3. 이 파일로 외부 패키지를 한 번에 설치할 수 있다. conda activate 가상환경명 pip install -r requirements.txt 그러면 파일에 있는 패키지가 모두 설치된다.

무료로 배포합니다.

프로크리에이트 제스쳐 [참조 : 자토의 아이패드 드로잉 클래스] 브러쉬 등 그림 그리기 소스 가져오기 folio.procreate.art/discussiond/10에서 가져오기 폰트는 무료 폰트 라이센스 확인하여 사용하기

좋은 데이터 예측 모델을 만들 때, 중요한 것은 1) 데이터 분석 목적에 맞춘 데이터 만들기 2) 데이터 전처리 잘하기 3) 훈련데이터와 테스트 데이터 잘 나누기 4) 분석 파라미터 잘 설정하기 5) 데이터 특성에 맞는 평가 지표로 평가하기 이 중에서 '3) 훈련 데이터와 테스트 데이터 잘 나누기'를 자세히 알아보자 why? 훈련데이터와 테스트 데이터를 잘 나눠야 하는 이유는? 훈련데이터에서만 우수한 예측 성능을 보이는 과대적합된 모델을 만들 수 있기 때문이다. 만약 새로운 데이터, 즉, 테스트 데이터가 들어온다면 예측 성능이 매우 낮게 될 수 있다. What? 무슨 데이터를 나눌 수 있을까? 지도학습인 대표적인 분류 모델, 회귀 모델의 모델 등의 데이터 셋에서 훈련 데이터와 테스트 데이터를 나눌 수 있..

모델기반 협업 필터링은? 머신러닝을 가장 잘 활용한 추천알고리즘의 일종임 주어진 데이터를 활용하여 모델이 데이터의 패턴을 학습함 데이터 크기 또는 특징(feature)을 동적으로 활용 가능함 데이터(유저)의 잠재적 특성(선호하는 취향)을 파악하는 모델임(Latent Factor Model) 모델기반 협업 필터링의 장점 1. 추천모델의 크기를 줄일 수 있음(데이터를 Matrix로 만들어서 가능) 2. 데이터 전처리와 학습과정으로 준비된 모델로 예측 가능함 3. 추천모델의 과적합 방지가 가능함 모델기반 협업 필터링 종류 1. Association Rule Mining 2. Matrix Factorization (SVD, ALS) 3. Probabilistic Models 4. SVM, Regression m..

정의 : 많은 사람들의 의견을 협동하여 더 나은 추천을 위해 필터링한다. 1. 개인보다는 단체 또는 그룹의 선택과 취향에 의존한다. 2. 여러 사람의 의견을 종합적으로 반영하여 다수의 의견으로 더 나은 선택을 한다. 종류 : 이웃기반 협업 필터링 장점: 1. 구현이 간단하다 2. Model-based CF에 비해 계산량이 적다. 3. 새로운 user, item이 추가되도 안정적으로 추천할 수 있다. 이웃기반 협업 필터링 단점: 1. Cold-Start 문제가 있다. (충분한 데이터가 없으면 추천할 수 없다) 2. 데이터가 많아질수록 계산량이 많아진다. 3. Long-Tail 문제가 발생한다. (대부분의 사용자가 관심 갖는 소수 아이템으로 추천이 쏠린다) User-based 협업 필터링 활용 1. 취향이 ..

정의: 콘텐츠, 즉! 아이템을 기반으로 추천한다. 1. 사용자가 과거에 경험했던 아이템 중, 비슷한 아이템을 현재 시점에서 추천한다. 2. 아이템의 항목 자체를 분석하여 추천한다. 방법: 콘텐츠 프로파일링하여 유저가 선호했던 콘텐츠와 유사한 콘텐츠의 추천 리스트를 생성한다. 콘텐츠 프로파일링 1. 아이템에 속성, 피쳐, 항목을 정량화한다. (예: 영화의 장르, 감독 등을 원핫인코딩 혹은 벡터화 한다.) 2. TF-IDF로 설명 등을 포함하는 문서에서 키워드를 추출한다. (예: 영화 줄거리에서 키워드를 추출한다.) 3. 콘텐츠 간에 유사도 분석을 한다. ( 코사인 유사도, 자카드 유사도 등을 활용한다.) 사용자 프로파일링 1. 사용자가 아이템에 가지고 있는 특정 가중치를 활용한다. (예: 사용자가 특정 아..