aiffel-ai-bootcamp

SSAC AIFFEL에 추가 모집을 통해 참여하게 되었다.정식 기간 이후에 진행되다 보니 지원서 작성, 시험, 토론 면접 등에 참여하는게 조금 힘들고 어려웠다.특히 토론 면접은 하루만에 준비해야했어서 잠을 거의 못잤던 것 같다. 그래도 이런 과정에 지원할 수 있는

1. 개발 환경 클라우드 컨테이너 > 가상 머신과 비슷한 개념이지만, 더 가볍고 효율적. '일회용 가상 컴퓨터' 개인 PC에서 진행하려면 아래와 같은 개발 환경 필요 Ubuntu18.04 Python3.7.9 TensorFlow2.4.1 O

20210908 😂 1. Linux

history: 셸 명령어 이력 출력man: 프로그램의 매뉴얼 페이지 출력which: 명령어의 전체 경로를 출력export: 셸 변수나 함수를 현재 환경으로 내보내기env: 명령어가 제공된다면 해당 명령어를 새로운 환경에서 실행. 명령어가 제공되지 않은 경우 현재 환경

슬랙(Slack): https://slack.com/노션(Notion): https://www.notion.so/트렐로(Trello): https://trello.com/Google Meet:https://meet.google.com

데이터 클리닝과 변형, 통계 모델링, 머신러닝 등 데이터 분석을 편리하게 할 수 있도록 최적화 되어있는 오픈소스 웹 어플리케이션 "문서" 작업과 "코드" 작업을 동시에 진행할 수 있는 어플리케이션jupyter명령 모드: 셀에 대한 설정을 바꾸거나 옮기기, 또는 새로운

오늘은 lms에서 github에 대해 배워서 git branch를 생성하는 방법을 배웠다. 위 실습은 주피터 노트북을 통해 진행했는데 우리는 !과 %를 언제 사용해야하는 것인지 궁금했다. 결론적으로는 아래와 같은 정리가 되었다.

20210910 1. 함수 > 함수(function): 불려진 시점에 특정한 작업을 수행 인자(argument): 입력값(input) 변수: 여러가지 값으로 변할 수 있는 수 def: 함수를 정의 (define). 들여쓰기 사용 스코프(scope) > 특정 위치

오늘은 파이썬이 주제여서 lms를 다들 빨리 끝냈다.그래서 남는 시간에 퍼실님이 가우시안 함수를 코드로 작성해보라고 하셨다.그리고 오후 1시간에는 클래스에 대해서 설명해주셨다!😀솔직히 아직까진 배운 클래스의 전체 개념들이 완전히 이해되지는 않는다..오늘 다시 공부해봐

인코딩 (encoding): 문자열을 바이트로 변환하는 과정. 이진수 변환디코딩 (decoding) : 바이트를 문자열로 변환하는 과정바이트(byte): 컴퓨터의 기본 저장단위. 8비트와 같음ISO(International Standards Organization):

변수에 저장되는 데이터는 컴퓨터 메모리에 저장메모리에 저장되는 데이터는 빠르다는 장점일정 전원이 공급되어야지만 데이터가 보존파일(file): ROM(Read Only Memory)이라는 보조기억장치에 데이터를 저장f.read(): 파일 읽기f.readline(): 파일

클래스의 6가지 필수 요소생성자인스턴스메소드self멤버변수멤버접근연산자멤버변수의 속성: 파이썬에서는 private public이 존재private: 멤버접근연산자를 통해 멤버변수나 메소드에 직접 접근이 불가능. 언더바 2개를 붙여서 만든다.동일한 기능을 또 구현할 필요

퍼포먼스(성능) : 코드를 짜서 실행을 시켰을 때 얼마나 빨리 처리가 되는가생산성: 똑같은 기능을 하는 프로그램을 얼마나 빨리 작성할 수 있는가생산성이 좋은 언어들은 퍼포먼스가 떨어지고 퍼포먼스가 좋은 언어는 생산성이 떨어진다.목적에 맞게, 상황에 맞게 언어를 선택하고

코드의 효율성을 높임.코드의 재사용성을 높임. - 개발 시간 감소코드의 가독성을 높임.기타 제어 흐름 도구.문법적으로 해당 문장이 필요하지만, 프로그램이 특별히 할 일이 없을 때 사용. 파이썬에서는 함수 내부에 함수를 사용할 수 있다.함수 안에서 만든 함수는 해당 함수

오늘의 lms에서도 다수의 팀원이 어려워하는 부분이 있어 퍼실님이 예제와 함께 설명해주셨다.항상 너무 어렵고 버겁지만 이렇게 모르는 부분을 짚고 넘어가서 정말 좋다.. 만약 같이 논하지 않았으면 혼자 또 끙끙 댔을 것이다.팀원들이랑 같이 공부하고 토론할 수 있어서 너무

평균은 입력 받은 값의 합산을 통해 바로 구할 수 있지만, 표준편차와 분산을 구하기 위해서는 입력받은 모든 숫자들을 저장해둘 필요가 있다.데이터 값 전체를 하나의 객체에 순서대로 모아 놓을 수 있어야 사용하기 편리하다.파이썬의 리스트는 임의의 데이터 타입을 담을 수 있

numpy에서의 데이터 표현소리1차원 array로 표현CD음원파일의 경우, 44.1kHz의 샘플링 레이트로 -32767 ~ 32768의 정수 값을 가짐흑백 이미지이미지 사이즈의 세로X 가로형태의 행렬(2차원 ndarray)로 표현각 원소는 픽셀별로 명도(grayscal

오늘부터 lms에 통계 개념이 나오기 시작해서 퍼실님이 또 명강의를 해주셨다 🙌고등학생 때 이후로 통계를 처음 접하니 정말 낯설다.. 굳어버린 머리에 웃음이 나지만 부족한 만큼 열심히 해야지..╰(°▽°)╯표본 공간: 어떤 특정 실험 또는 무작위 실험을 했을 때, 측

파이썬은 Pandas, Matplotlib, Seaborn 등 여러 가지 시각화 라이브러리를 제공그래프를 그리는 전반적인 과정 (순서)fig = plt.figure():figure 객체를 선언해 '도화지를 펼쳐' 줍니다.ax1 = fig.add_subplot(1,1,1

20210916 1. 데이터 >Seaborn의 load_dataset() 메소드를 이용하면 API를 통해 손쉽게 유명한 예제 데이터를 다운로드 받을 수 있다. 데이터 살펴보기 (EDA) 2. 범주형 데이터 > 주로 막대 그래프를 사용하여 수치를 요약. 일반적으

20210916 오늘은 lms 하고 시간이 남아서 퍼실님이 오늘 즉석으로 만든 간단한 Vector Class 예제를 풀기로 했다. 물론 나한테는 간단한 문제는 아니었지만 ㅎ 나중에 돌아봤을 때는 부디 쉽다고 느끼길!! 오늘도 화이팅✨ Vector Class

20210917 1. 전처리 > 모델에 데이터를 넣기 전까지 과정 데이터 전처리의 중요성 전처리가 충분히 되어있지 않거나 잘못된 데이터를 사용한 경우 분석 결과의 신뢰도가 떨어질 수 있음 예측 모델의 정확도가 떨어질 수 있음 전처리가 잘 되

20210924 1. 탐색적 데이터 분석(Exploratory Data Analysis, EDA) >데이터 분석과 더 좋은 머신러닝 모델을 만들기 위해 필수적인 과정 데이터를 다루는 작업을 할 때는 어떤 데이터든 처음에 이렇게 간략하게라도 꼭 데이터셋을 이해하고

머신 러닝의 알고리즘은 크게 3 종류로 나눌 수 있다.지도학습, 비지도학습, 강화학습라벨(정답)의 존재 유무에 따라 머신러닝을 지도학습과 비지도학습으로 나눠진다.정답 유무, 데이터의 종류, 특성, 문제 정의에 따라 머신러닝 알고리즘은 복합적으로 사용알고리즘은 상황에 따

20210929 1. 디지털 이미지 화소(pixel): 색상을 가진 화면을 구성하는 최소 단위의 점이며, RGB 강도를 조절하여 색상 표현 RGB: Red, Green, Blue 컬러 스페이스(color space, 색 공간): 색을 표현하는 방식. 채널로 구성

20211001 1. 객체 지향 프로그래밍 객체 지향 프로그래밍(OOP: Object Oriented Programming) 객체(Object): 파이썬에서 다루는 모든 것 (문자열, 배열, 정수, 모듈 등) id(): 객체의 고유값(identity, 메모리 주소)

20211006 >lms 시작 전 퍼실님, 조원분들이랑 나눈 이야기. '딥러닝의 본질은 무엇인가?🤔' 다들 다양한 의견을 내주셨고 결론적으로는 '딥러닝은 비선형 함수이고, 그 과정에서 최적해를 찾는 것이다.' 으로 종합됐다. 1. Deep Learning > 머신

20211008 > lms를 시작하기 전에 매번 퍼실님이 노드 이해를 돕기 위한 사전 지식에 대한 내용을 정리해주신다. 그리고 그 전에 배웠던 내용들에 대한 질문을 많이 해주시는데, 이 시간이 나의 현재 상태를 잘 깨닫게 한다. 결론적으로 나는 아는게 없다. 자기 비하

지도학습은 분류(classification)와 회귀(regression) 문제로 나뉜다.분류 : 데이터의 feature 값들을 이용하여 데이터의 클래스를 추론하는 것회귀 : 데이터의 feature 값들을 이용하여 연관된 다른 데이터 값을 추론하는 것회귀분석(Regre

20211015 1. 비지도 학습(Unsupervised Learning) > training data로 정답(label)이 없는 데이터로 학습. 데이터셋의 특징(feature) 및 패턴 기반으로 결론 도출 비지도 학습의 예시 군집화(클러스터링, clu

Eager Mode 수용 - 그래프를 완성하지 않아도 부분적 실행 가능 / 설계, 구현, 디버깅이 쉬움머신러닝 프레임워크 Keras 수용 (표준 API)Ease of use(사용하기 쉬움)Eager Execution(즉시 실행)Model Building and depl

20211025 1. ImageNet Challenge > 이미지넷(ImageNet): 대량의 이미지를 포함하는 데이터셋으로 챌린지 데이터셋으로도 제공되었다. NEC-UIUC팀: Descriptor Coding + SVM (오류율 28%, 2010) Xerox

20211027 1. Linear layer > Linear 레이어: 선형 변환 활용 → 데이터를 특정 차원으로 변환 참고 자료 [Linear transformations and matrices | Essence of linear algebra, chapter

💡Key Point💡1\. 레이어의 개념 이해2\. 레이어(Embedding, RNN, LSTM)의 동작 방식 이해3\. 데이터의 특성을 고려한 레이어를 설계(+Tensorflow로 정의하는 법)의미적 유사성을 가지는 것들(ex. 단어) 간 맥락에 따라 거리를 설정

20211101 > 💡Key Point💡 Regularization 개념 이해 및 정규화(Normalization)와 구분 L1 regularization, L2 regularization의 차이 Lp norm, Dropout, Batch Normalization에

20211103 > 💡Key Point💡 활성화 함수 선형과 비선형 활성화 함수 종류 1. 활성화 함수(activation function) > 특정 조건(ex. 임계치) 만족 여부에 따라 활성화, 비활성화를 결정. 딥러닝 모델의 표현력을 향상을 위해 사용(re

추상적인 정보 개념을 정량화, 정보 저장과 통신 연구$$I(x)=−\\log_bP(x)$$$P(X=x)$: 사건 $x$가 일어날 확률$I(x)$: 정보량(information content)일어날 가능성이 높은 사건일수록 정보량이 낮다.일어날 가능성이 낮은 사건일수록

20211110 > ❗ 파이썬 3.7.9 버전 기준의 게시글 입니다. 🤍읽기 전 참고글 FUNDAMENTAL | 02. Linux 운영체제 1. 멀티태스킹 > 멀티 태스킹의 2가지 동작 방식: 동시성, 병렬성 동시성(Concurrency) > 1개의 proc