슬코생

실습은 구글 코랩에서 진행했다 :) 블로그 복습 정리는 그날 새롭게 안 내용, 그동안 헷갈렸던 내용들 위주로 정리하려고 한다. 1. In-Place Operators a = 5 a += 1 a # a의 경우, 현재 int형으로 원시자료형이다. 즉, 불변타입! 따라서, 불변형의 경우 수정이 필요할 때 새로운 객체를 생성한다. - 기존 객체를 수정 시도하고, 불가능할 시 새로운 객체 생성 (계산 전, 이전 값이 별도로 필요하지 않다면 이를 사용함 - 장점 : 추가 메모리 할당 없이 기존 할당된 메모리를 그대로 사용하므로 메모리 효율화와 속도 향상 기대가 가능해진다. (특히, 배열의 크기가 클수록 할당에 시간이 오래 소요되므로 더 큰 차이가 발생한다.) - 예시 : +=, -=, *=, /= 2. Out-Pl..

2년 간 열쉼히 회사를 다니다 퇴사를 하고! 주위의 권유로 AI 자연어 처리 전문가 양성과정에 신청하여 약 4개월 동안 교육을 받게 되었다. 파이썬, 선형대수학, 머신러닝/딥러닝, NLP, 그리고 프로젝트까지 굉장히 알차다..!😤 블로그에도 배운 내용을 복습 겸 정리하려고 한다. 열심히 해야쥐!

Score RMSLE from sklearn.metrics import make_scorer def rmsle(predicted_values, actual_values): # 넘파이로 배열 형태로 바꿔준다. predicted_values = np.array(predicted_values) actual_values = np.array(actual_values) # 예측값과 실제 값에 1을 더하고 로그를 씌워준다. log_predict = np.log(predicted_values + 1) log_actual = np.log(actual_values + 1) # 위에서 계산한 예측값에서 실제값을 빼주고 제곱을 해준다. difference = log_predict - log_actual # difference..

✔ 연도-월로 나타내기 # 월별 데이터 모아보기 def concatenate_year_month(datetime): return "{0}-{1}".format(datetime.year, datetime.month) train["year_month"] = train["datetime"].apply(concatenate_year_month) print(train.shape) train[["datetime", "year_month"]].head() fig, (ax1, ax2) =plt.subplots(nrows=1,ncols=2) fig.set_size_inches(18,4) sns.barplot(data=train, x="year",y="count",ax=ax1) sns.barplot(data=train, ..

타이타닉 캐글 생존자 예측모델 fig, (ax1, ax2) =plt.subplots(nrows=1,ncols=2) fig.set_size_inches(18,4) sns.barplot(data=train, x="year",y="count",ax=ax1) sns.barplot(data=train, x="month",y="count",ax=ax2) fig, ax3 = plt.subplots(nrows=1, ncols=1) fig.set_size_inches(18,4) sns.barplot(data=train, x="year_month",y="count",ax=ax3) 해당 대회는 캐글의 워싱턴 공공 자전거 데이터를 바탕으로 수요를 예측하는 모델을 만드는 것이다. 대회링크는 http://www.kaggle.co..

1. 터미널 열기 $ cd practice_1st //practice_1st 폴더로 이동하라는 코드 $ cd .. //잘못 들어갔을 때 다시 전단계로 빠져나오는 코드 $ ls //현재 내 위치! 2. 가상환경 만들기 $ python -m venv myvenv $ source myvenv/Scripts/activate