alpyrithm_알파이리즘

API 정의 Application Programming Interface - 응용프로그램에서 사용할 수 있도록, 운영체제나 프로그래밍 언어가 제공하는 기능을 제어할 수 있게 만든 인터페이스 ▼ 이전 글 참고하기 2020/06/19 - [SM공부] - API 공부 및 정리! RESTful API - 정의 REpresentational State Transfer 클라이언트(웹브라우저, 모바일)가 필요한 자원이 있을 때, 서버에게 요청하는 방식을 정의한 API 디자인 API 설계의 중심에 자원(resource)이 있고 HTTP Method를 통해 자원을 처리하도록 설계하는 방식 자원(Resource - URI), 행위(Verb - HTTP METHOD), 표현(Representations)으로 구성 - 장점 ..

HTTP(하이퍼텍스트 전송 프로토콜, HyperText Transfer Protocol) - 인터넷에서 데이터를 주고받을 수 있는 프로토콜이다. - 클라이언트(브라우저 - 웹 관점)와 서버 사이에 이루어지는 요청(Request)/응답(Response) 프로토콜이다. - 무상태 프로토콜로 트랜젝션(독집적인 요청-응답) 발생 후 연결이 종료된다. - 기본 포트는 80번이다. HTTP 요청 메시지 클라이언트가 서버에게 보내는 요청 메시지 구성 요청 내용 헤더 빈 줄(empty line) 기타 메시지 HTTP 요청 메서드 REST : 주소를 자원이라고 보고 메서드를 동사라고 보는 개방 방식이다. 주요 메서드 GET : 존재하는 자원에 대한 요청/조회 Body(본문) X POST : 새로운 자원을 생성 Body(..

Summary Data Pipeline 구축 Steps OSEMN Obtaining Data Scrubbing Data Exploring Data Modeling Data iNterpreting Data Main Data Pipleline 구축 Steps 의미 데이터 이슈에서 유의미한 결괏값을 도축하기 위한 핵심 프로세스 OSEMN Obtaining Data 데이터 수집 단계 구조화, 비 구조화 또는 반 구조화할 수 있는 모든 데이터 셋 단일 소스 또는 여러 소스에서 데이터를 수집 가능 데이터가 종종 Silo 되므로 데이터 수집을 어려운 이슈이기도 함 Scrubbing Data 데이터 스크럽 단계 데이터를 문질러서 데이터를 정리하는 단계 유실 데이터의 값 대치, 데이터의 유형 변환, 누락 값의 표준화 대..

Summary Advanced Ensemble Learning Advanced Ensemble Learning 개념 Bagging Boosting Random Forest Stacking Main Advanced Ensemble Learning Advanced Ensemble Learning 개념 Ensemble Learning의 본질은 개별 모델을 결합하여 우수한 모델을 형성하는 것 우수한 모델이 생성되는 방식을 살펴보면 개별 모델 또는 Learner는 Prediction을 생성하고 그 Prediction은 Final Prediction을 형성하는 데 사용 맨 처음 Prediction Set(예측 세트)를 생성하는 Individual Models 또는 학습자를 Base Learner(기본 학습자) 또는..

Summary Ensemble Learning 기초 Simple Ensemble Learning Averaging Weighted Averaging Max voting Main Ensemble Learning 기초 Ensemble Learning의 개념 모델의 성능 개선을 목적으로 다양한 알고리즘을 이용한 다수의 모델을 통합하는 방법 앙상블 학습은 여러 기계 학습 모델을 결합하여 우수한 모델을 생성하여 Variance와 Bias의 영향을 줄이고 성능을 향상시키는 알고리즘 Top-left는 Bias가 높고 Variance가 낮은 시나리오 Top-right는 Bias, Variance 모두 높은 시나리오 앙상블 모델은 Bias와 Variance가 다른 약한 모델을 많이 결합하여 더 약한 모델을 만들어 개별 ..

데이터 선택 Slice : 이름 또는 인덱스를 이용한 선택 슬라이스(Slice) 기능을 이용해 DataFrame의 특정 열(column) 또는 행(row)을 가져올 수 있음 DataFrame에 대괄호([])를 이용 df['A'] → df의 A 열 가리킴 복수의 열을 슬라이스 할 경우, 열의 이름을 또 하나의 대괄호([])로 묶어서 표현 df[['A', 'B']] → df의 A, B 열 가리킴 콜론(:)을 이용해 행의 범위로 가져오기 가능 df[0:5] → df의 0~4번 index를 가리킴 df[0:1] → df의 첫 번째 행(index 0) loc : 이름을 이용한 선택 열과 행의 조건을 모두 제공해야 할 경우 loc 함수 이용 loc : label의 이름을 이용해 선택 df.loc[2013-01-31..

Summarry SVM(Support Vector Machine) in Supervised Learning Soft Margin Classification in Supervised Learning Decision Tree Main SVM(Support Vector Machine) Support Vector Machine의 개념 SVM(Support Vector Machine)의 목표는 클래스 간 경계를 찾아서 misclassification 오류를 줄이는 것 입력 데이터를 공간에서 선형으로 분리할 수 있는 초평면 또는 최적의 선형 결정 경계를 찾는 알고리즘 문제는 대부분 몇 가지 결정 결계가 생긴다는 것 어느 경계가 더 나은지를 더 잘 정의하는 방법에 대한 질문의 해결책이며, 이 해결책은 마진 최적화를 ..

Summary Supervised Learning(지도 학습) 응용 Classification(분류) 예시 Regression(회귀분석) 응용 Linear Regreassion의 이해 및 응용 Logistic Regression의 이해 및 응용 K-Nearest Neighbor(KNN)의 이해 및 응용 Main Supervised Learning 응용 Classification Model(분류 모델) 로지스틱 회귀분석(Logistic Regression) 의사결정나무(Decision Tree) 앙상블(Ensemble) Random Forest Gradient Boosting SVM(Support Vector Machine) K-Nearest Neighbors Naive Bayesian Classifica..