티스토리
관련 서비스
  • Symbols스토리 홈바로가기바로가기
  • 브런치브런치스토리바로가기바로가기
  • 카카오스토리카카오스토리바로가기바로가기

Developer's Delight
검색하기
블로그 홈

블로그 홈

Developer's Delight

sonseungha.tistory.com/m
신고

I want to be a S/W developer who benefits people.

구독자
18
방명록 방문하기
구독하기
공지 About ME 모두보기

주요 글 목록

  • 연속형 변수 간 독립성 및 동질성 검정 방법 연속형 변수 간 독립성과 동질성을 검정할 때, 사용되는 통계적 기법들을 정리합니다. 각 검정 방법은 데이터의 특성과 상황에 따라 적절히 선택해야 합니다.1. 연속형 변수 간 독립성 검정연속형 변수 간 독립성을 검정하기 위해 주로 상관관계 분석 방법을 사용합니다. 주요 방법은 다음과 같습니다.(1) 피어슨 상관계수 (Pearson Correlation Coefficient)적합한 경우: 두 연속형 변수가 정규분포를 따르고, 선형 관계를 가정하는 경우.검정 방법: 상관계수(r)를 계산한 뒤, 귀무가설 $H_0$: "두 변수는 독립이다."를 검정.코드 예제:from scipy.stats import pearsonrcorr, p_value = pearsonr(x, y)(2) 스피어만 상관계수 (Spearman .. 공감수 1 댓글수 0 2024. 12. 29.
  • python exception 일반적인 처리 방식과 Contextlib.suppress와의 차이 Python에서 예외 처리를 처리하는 방식에는 일반적으로 try-except 블록을 사용하며, 간단한 경우에는 contextlib.suppress를 사용할 수 있습니다. 이 두 가지 방식의 비교와 장단점을 정리해 보겠습니다.1. try-except 블록일반적인 예외 처리 방식try: result = 10 / 0 # 예외 발생except ZeroDivisionError: result = None동작:코드에서 특정 예외가 발생했을 때, 이를 잡아내어 처리합니다.예외를 세부적으로 처리하거나, 여러 예외를 한 번에 처리할 수 있습니다.장점:세부적인 예외 처리 가능: 예외 유형별로 분리하여 다르게 처리할 수 있습니다.커스텀 로직: 예외 발생 시 추가적인 로직을 구현할 수 있습니다.가독성: 복잡한 예외.. 공감수 0 댓글수 0 2024. 12. 7.
  • Python 정적 코드 분석 도구: MyPy와 PyType 비교 Python은 동적 타입 언어로서 코드 작성이 간결하고 빠르지만, 타입 안정성과 정적 검증의 부재로 인해 런타임 오류가 발생할 수 있습니다. 이를 보완하기 위해 Mypy와 Pytype 같은 정적 타입 분석 도구가 개발되었습니다. 이 글에서는 두 도구의 특징과 사용법, 그리고 비교 분석을 통해 어떤 상황에서 적합한지 알아보겠습니다.1. Mypy란?Mypy는 Python의 정적 타입 분석 도구로, PEP 484에서 도입된 타입 힌트를 기반으로 코드를 분석합니다. Python 코드에서 타입 오류를 검출하여 런타임 전에 문제를 해결하도록 도와줍니다.주요 특징PEP 484와 같은 표준 타입 힌트 지원.점진적 타입 검사를 지원하여 기존 코드와 통합 가능.IDE와의 호환성 우수 (PyCharm, VSCode 등).설.. 공감수 2 댓글수 0 2024. 12. 5.
  • 윤성우의 열혈 파이썬 중급편 윤성우 저자는 다양한 IT 서적을 출간하고 많은 분들이 이 분의 서적으로 공부한 경험이 있을걸로 생각된다. 오랜만에 파이썬을 활용한 프로젝트를 진행하며 가볍게 윤성우님 서적이 생각나 구매하게 된 책.중급편이라고 하지만 초급에서 정말 살짝 벗어난 느낌이며 이 전체 책의 수준이 중급이라고 말하기는 어려울 것 같다. 하지만 파이썬을 처음 접하는 분들에게 한권의 기초 서적을 학습한 이후에 추천하고 싶다.책은 그렇게 두껍지 않으며, 한 페이지에 폰트도 크며, 여백도 많은 편이다. 그래서 빠르게 술술 읽히지만 그렇다고 각 챕터에 대한 내용이 부실하진 않다. 가볍게 읽기 좋으며 초급자에게도 여러방면으로 도움이 될 것으로 생각된다. 공감수 2 댓글수 1 2024. 12. 1.
  • setdefault vs defaultdict Python에서 setdefault()와 defaultdict() 활용하기Python에서 딕셔너리를 사용할 때 키가 이미 존재하거나 존재하지 않을 때의 동작을 처리하는 방법은 중요합니다. 이 글에서는 setdefault()와 defaultdict()를 활용해 효율적으로 딕셔너리를 다루는 방법을 알아보고, 코드 예제를 통해 차이점과 사용 사례를 설명하겠습니다.setdefault()란?dict.setdefault()는 딕셔너리에서 키를 조회할 때, 해당 키가 없으면 지정된 기본값을 추가하고 반환하는 메서드입니다. 키가 이미 존재하면 기존 값을 반환합니다.문법dict.setdefault(key, default=None)key: 조회할 키default: 키가 없을 경우 삽입할 기본값 (기본값은 None)사용 예.. 공감수 1 댓글수 1 2024. 11. 30.
  • 어느 날의 우리가 여느 날의 우리에게 | 문현기 저 말로는 다 표현치 못할 사랑을 글로써 적어 내려간 작가와 그의 아내와의 비밀일기를 훔쳐 본 것 같다. 어느 때는 담담하게 어느 때는 뜨겁게 자신의 사랑을 표현하는 글귀들이 좋다.이 편지를 받은 주인공을 얼마나 설래었을까, 그리고 매 편지를 얼마나 기다렸을까.이 글들만으로는 그들이 뜨거운 사랑을 했을지, 담백한 사랑을 했을지 다 알 순 없지만, 작가가 편지를 한 줄 한 줄 써내려 가며 편지의 수신인을 생각하는 마음이 나에게도 닿아 즐거웠다.두 분이 지금도 행복한 사랑을 하고 있길. 공감수 2 댓글수 0 2024. 11. 29.
  • Flax: JAX 기반 딥러닝 프레임워크의 특징과 미래 Flax: JAX 기반 딥러닝 프레임워크의 특징과 미래Flax는 Google에서 개발한 JAX 기반의 딥러닝 프레임워크로, 연구자와 엔지니어들이 고성능 딥러닝 모델을 실험하고 구축할 수 있도록 설계된 경량화된 도구입니다. PyTorch와 TensorFlow에 이어 Flax는 JAX의 강력한 성능을 기반으로 딥러닝 연구에 최적화된 옵션을 제공합니다. 본 글에서는 Flax의 특징, 장단점, 그리고 TensorFlow 및 PyTorch와의 비교를 통해 Flax의 가능성과 한계를 살펴보고자 합니다.Flax의 특징1. JAX의 성능 최적화Flax는 JAX를 기반으로 설계되어 다음과 같은 성능 이점을 제공합니다:XLA 컴파일러 활용: 다양한 하드웨어(CPU, GPU, TPU)에서 최적화된 성능을 발휘합니다.JIT(.. 공감수 3 댓글수 1 2024. 11. 18.
  • S/W Architecture - 시스템 구조 설명 View SW 아키텍처 문서 작성 시 다양한 관점(View)을 통해 시스템의 구조와 동작을 설명할 수 있는데, 주로 사용되는 View는 Context View, Module View, Behavior View, Deployment View입니다. 각 View는 서로 다른 측면에서 시스템을 분석하고 설명하는 역할을 하며, 차이점을 비교해보면 다음과 같습니다:1. Context View목적: 시스템의 외부 환경과 상호작용을 설명주요 내용: 시스템이 외부 엔티티(사용자, 다른 시스템 등)와 어떻게 상호작용하는지를 다룬다. 즉, 시스템의 경계를 정의하고 외부에서 시스템으로 들어오거나 나가는 데이터를 설명한다.예시: 시스템이 어떤 외부 서비스와 통신하는지, 사용자 인터페이스(UI)와의 상호작용은 어떤 방식으로 이루어지는지.. 공감수 0 댓글수 0 2024. 9. 21.
  • [Tensorflow] ReduceLROnPlateau CallBack 정리 ReduceLROnPlateau 콜백은 Keras에서 학습 과정 중에 모델의 성능이 향상되지 않을 때 학습률(Learning Rate)을 줄여주는 역할을 합니다. 학습률을 적절하게 조정하면 모델이 더 나은 성능을 낼 수 있는데, 이 콜백은 성능이 개선되지 않으면 학습률을 자동으로 감소시켜 학습의 안정성과 최적화 효율성을 높여줍니다.주요 파라미터:monitor: 성능을 평가할 지표(예: val_loss나 accuracy)를 지정합니다. 기본값은 val_loss입니다.factor: 학습률을 얼마나 줄일지 설정합니다. 예를 들어, factor=0.1이면 학습률을 10%로 줄입니다.patience: 성능 개선이 없을 때 학습률을 줄이기 전에 기다릴 에포크 수를 지정합니다.min_lr: 학습률이 이 값 이하로 내.. 공감수 0 댓글수 0 2024. 9. 9.
  • [차원축소] LDA (Linear Discriminant Analysis) 차원 축소는 데이터 분석과 머신러닝에서 중요한 역할을 하는 기법입니다. 차원이 높은 데이터는 분석하기 어렵고, 과적합 문제나 계산 복잡도를 증가시킬 수 있기 때문에 이를 효과적으로 낮추는 방법이 필요합니다. LDA는 차원 축소 기법 중 하나로, 특히 분류 문제에서 강력한 성능을 발휘합니다.LDA는 데이터의 차원을 줄이면서도 각 클래스 간의 분리도를 최대화하는 방법을 찾습니다. 이는 학습 데이터의 선형 조합을 사용하여 새 좌표 공간을 만들고, 그 공간에서 클래스 간의 경계를 명확하게 정의할 수 있도록 합니다. LDA는 주로 데이터가 여러 개의 클래스로 구분되어 있는 경우에 유용하며, 새로운 차원에서 클래스 간의 분리도를 최대화하는 방식으로 차원을 축소합니다.주요 아이디어LDA의 핵심은 차원 축소를 통해 데.. 공감수 1 댓글수 3 2024. 9. 7.
  • 선형회귀 Regularization(Lasso, Ridge 등) 수행 시 연속형 변수의 표준화가 수렴속도에 미치는 영향 선형 회귀에서 회귀계수에 대해 Regularization(정규화)을 할 때, 연속형 변수에 대한 표준화 또는 정규화가 매우 중요합니다. 그 이유는 다음과 같습니다.회귀계수의 크기:정규화 기법들(L1 정규화(Lasso)나 L2 정규화(Ridge))은 회귀계수의 크기를 제어하는 데 사용됩니다. 만약 독립 변수들의 스케일이 다르면, 스케일이 큰 변수는 더 큰 회귀계수를 가지게 되어 정규화의 효과가 비대칭적으로 적용될 수 있습니다.정규화 페널티의 일관성:L1 및 L2 정규화는 페널티 항을 추가하여 회귀계수를 줄이는 방식입니다. 이 때, 변수들의 스케일이 동일하지 않으면 페널티가 각 변수에 공평하게 적용되지 않아 모델이 왜곡될 수 있습니다.수렴 속도:표준화된 데이터는 경사 하강법과 같은 최적화 알고리즘의 수렴 속.. 공감수 0 댓글수 0 2024. 6. 28.
  • 데이터 스누핑 편향이란? 데이터 스누핑 편향데이터 과학과 머신러닝 프로젝트를 진행하다 보면, 데이터를 탐색하고 분석하는 과정에서 주의해야 할 여러 가지 편향이 발생할 수 있습니다. 그 중 하나가 바로 데이터 스누핑 편향(data snooping bias)입니다. 이 글에서는 데이터 스누핑 편향이 무엇인지, 왜 발생하는지, 그리고 이를 방지하는 방법에 대해 알아보겠습니다.데이터 스누핑 편향이란?데이터 스누핑 편향은 데이터를 반복적으로 탐색하고 분석하여 얻은 결과를 바탕으로 모델을 구축함으로써 발생하는 통계적 편향입니다. 이는 데이터를 과도하게 탐색한 결과, 실제로는 존재하지 않는 패턴을 발견하게 되어 모델이 잘못된 결론을 도출하게 되는 현상입니다. 이러한 편향은 특히 모델을 평가할 때 문제가 되며, 과적합(overfitting)의.. 공감수 0 댓글수 0 2024. 6. 22.
  • [Poetry] requirements.txt 파일로 Poetry에 import 하기 먼저, 파이썬 프로젝트 관리를 위해 Poetry를 사용하는 분들이 많습니다. 이 글을 읽으시는 분들은 Poetry를 처음 활용하여 기존의 requirements.txt를 이용한 환경을 변환하기 위한 분일 것이라 생각합니다. Poetry는 훌륭한 선택이며, Poetry가 표준으로 자리 잡기를 희망합니다.이제 더 이상 간소한 requirements.txt 파일을 사용하지 않고 의존성을 Poetry로 옮기고, 올바른 버전 추적을 포함한 모든 것을 처리하게 할 차례입니다.이미 Poetry 프로젝트를 초기화하고 프로젝트 루트에 pyproject.yml 파일이 있는 것으로 가정합니다. 그렇지 않은 경우 다음 명령을 실행하여 Poetry를 사용하여 파이썬 프로젝트를 초기화합니다:poetry init이제 require.. 공감수 0 댓글수 0 2024. 5. 17.
  • Time Series Data Augmentation for Deep Learning: A Survey "Time Series Data Augmentation for Deep Learning: A Survey"는 딥러닝에서 시계열 데이터 증강에 대한 연구 동향과 적용 가능한 기법들을 상세히 조사한 논문입니다. 아래는 논문 내용의 상세한 설명입니다.1. Introduction1) paper Information30th International Joint Conference on Artifical Intelligence(IJCAI 2021) Accepted PaperDeep Learning 시계열 데이터 분석 전반에 사용될 수 있는 Data Augmentation 기법들을 정리한 논문글 작성 시점 (2024. 05. 06) 기준으로 681회 인용된 논문2) Backgrounds딥러닝은 컴퓨터 비전, 자연어 처.. 공감수 1 댓글수 0 2024. 5. 6.
  • 학습률 웜업(Learning Rate WarmUp)에 대한 이해 소개딥러닝 모델을 효과적으로 학습시키기 위해서는 적절한 학습률(learning rate)을 설정하는 것이 매우 중요합니다. 학습률은 모델이 가중치를 업데이트하는 속도를 조절하는 매개변수로, 너무 높거나 낮으면 학습이 제대로 이루어지지 않을 수 있습니다. 이 중에서도 학습률을 초기에 적절히 설정하는 것이 중요한데, 이를 위해 사용되는 기법 중 하나가 학습률 웜업(Learning Rate WarmUp)입니다.학습률 웜업이란?학습률 웜업은 딥러닝 모델의 초기 학습 단계에서 학습률을 서서히 증가시키는 기법입니다. 이는 모델이 초기에는 불안정하고 예측이 부정확할 수 있으며, 학습률을 너무 높게 설정하면 그러한 불안정성이 더욱 심해질 수 있기 때문에 사용됩니다. 학습률 웜업을 통해 모델이 초기에 안정성을 유지하면서.. 공감수 0 댓글수 0 2024. 5. 6.
  • [REVIEW] 사랑은 내 시간을 기꺼이 건네주는 것이다, 이기주 해외로 여행을 떠나기 전의 관문인 인천공항에 도착하면 항상 공항서점에 들른다. 비행기에서 읽을 책을 가방에 두둑이 챙겨왔음에도 서점을 그냥 지나치지 못한다.점원분들이 신경써서 나열한 책들을 천천히 살펴보고 있으면 요즘 트렌드 파악과 공통적인 관심사가 무엇인지 알 수 있어서 좋다. 20살때 부터 서점을 찾아가 무턱대고 앉아 책을 읽던 시기부터 느껴온 것은 변함없이 사랑받는 책은 사랑과 자기발전에 관한 책들일 것이다. 물론, 나도 그 분야의 책들을 좋아한다.이번 로마로의 여행길에 오르기 전 내 눈에 띄인건 이기주 작가님의 '사랑은 내 시간을 기꺼이 건네주는 것이다' 란 제목의 책이다."사랑은 내 시간을 기꺼이 건네주는 것이다." 이 문구는 사랑에 대한 아름다운 해석을 담고 있다. 사랑은 우리가 소중히 여기는.. 공감수 1 댓글수 1 2024. 5. 4.
  • [Tensorflow/keras] Tensorflow용 DataLoader 만들기 딥러닝 모델을 훈련시키기 위해서는 종종 대규모 데이터셋이 필요합니다. 그러나 모든 데이터를 메모리에 로드하고 유지하는 것은 실용적이지 않을 수 있습니다. 이런 경우에는 데이터를 실시간으로 생성하여 모델에 제공할 수 있는 데이터 생성기를 사용하는 것이 좋습니다.PyTorch의 DataLoader는 데이터셋을 미니 배치로 나누어 모델에 공급하는 역할을 합니다. 이는 데이터를 반복하고 전처리하는 작업을 추상화하여 사용자가 모델 학습에 집중할 수 있도록 합니다.Keras에서 데이터 생성기를 사용하는 방법은 메모리에 맞지 않는 대규모 데이터셋을 효율적으로 처리하는 강력한 방법입니다. Keras는 사용자 정의 데이터 생성기를 만들기 위한 기반 클래스로 Sequence 클래스를 제공합니다.단계 1: 사용자 정의 데이.. 공감수 0 댓글수 0 2024. 4. 28.
  • [PyTorch] DataLoader 멀티프로세싱하기 PyTorch의 DataLoader는 데이터셋을 미니 배치로 나누어 모델에 공급하는 역할을 합니다. 이는 데이터를 반복하고 전처리하는 작업을 추상화하여 사용자가 모델 학습에 집중할 수 있도록 합니다.DataLoader의 주요 기능미니 배치 처리: DataLoader는 데이터셋을 지정된 배치 크기로 나누어 모델에 제공합니다. 이는 GPU와 같은 가속기를 통해 병렬 처리를 가능하게 합니다.데이터 셔플링: 학습 데이터의 순서를 무작위로 섞음으로써 모델의 일반화 성능을 향상시킵니다.병렬 처리: DataLoader는 여러 작업자(worker)를 사용하여 데이터를 병렬로 로드할 수 있습니다. 이를 통해 데이터 로딩 과정을 가속화할 수 있습니다.데이터 변환(Transform): DataLoader는 데이터를 로드하기.. 공감수 1 댓글수 0 2024. 4. 28.
  • [Numpy] Serise clip() 함수 - 값 범위 제한하기 NumPy는 파이썬에서 과학 및 수학적 계산을 위한 핵심 라이브러리 중 하나입니다. NumPy의 다양한 함수와 메서드는 데이터 조작 및 분석을 쉽게 할 수 있도록 도와줍니다. 여기에는 데이터의 값을 제한하고 특정 범위 내에 값을 유지하는 데 유용한 clip() 함수가 있습니다. 이번 글에서는 NumPy의 clip() 함수를 소개하고 활용하는 방법에 대해 알아보겠습니다. numpy.clip() 함수란? numpy.clip() 함수는 주어진 배열의 값을 지정된 최소값과 최대값 사이로 제한합니다. 이 함수를 사용하면 데이터의 범위를 제한하고 이상치를 처리하는 데 유용합니다. numpy.clip()의 구문은 다음과 같습니다. numpy.clip(a, a_min, a_max, out=None) 여기서: a: 값을.. 공감수 1 댓글수 0 2024. 4. 19.
  • Google-Colab 에서 LightGBM GPU 사용하기 Kaggle Notebook에선 lightGBM gpu 버전을 쉽게 사용할 수 있다. 하지만 Google CoLab 에선 별도로 설치가 필요하다. 아래 코드를 CoLab 노트북 셀에서 실행하여 설치한 후 사용해본다. !git clone --recursive https://github.com/Microsoft/LightGBM %cd LightGBM !mkdir build %cd build !cmake ../../LightGBM -DUSE_GPU=1 !make -j4 %cd ../python-package !python3 setup.py install --gpu 공감수 0 댓글수 0 2024. 4. 14.
  • Hyper-Parameter Optimization #0 1. Introduction 1) Background 데이터 사이언스 업무는 이전의 업무 영역에서 벗어나 점차 엔지니어링 영역까지 포함하고 있다. 점차 데이터 사이언스는 데이터를 다루고 분석하는 것을 넘어 모델을 학습시키고 평가 배포, 모니터링의 영역까지 확장되고 있다. 실제로 데이터 과학자들에게 엔지니어링까지 함께 하기를 원하는 회사들이 늘어나고 있다. 엔지니어링 측면의 역량까지 요구되는 이유는 두 가지 측면에서 분석할 수 있다. AI 분야의 낮아진 진입장벽과 다양한 도구 모델 복잡도와 데이터의 증가 -> 다양한 기술의 발전 `먼저 AI 분야의 낮아진 진입장벽과 다양한 도구`로 인해 다양한 개발자들이 쉽게 AI 분야에 진입이 가능하고 Keras, PyTorch 등 다양한 프레임워크의 발전과 오픈소스 지.. 공감수 0 댓글수 0 2024. 4. 10.
  • Json Schema를 사용한 Json 유효성 검사하기 JSON Schema는 JSON 데이터의 유효성을 정의하고 검사하는 데 사용되는 강력한 도구입니다. Python에서 JSON Schema를 활용하면 데이터의 일관성과 유효성을 보장하고 데이터 규격을 명확히 정의할 수 있습니다. 이번 글에서는 Python에서 JSON Schema의 개요와 사용법에 대해 알아보겠습니다. JSON Schema란 무엇인가요? JSON Schema Welcome to the JSON Schema Community With over 60 million weekly downloads, JSON Schema has a large and active developer community across the world. Join the Community to learn, share idea.. 공감수 0 댓글수 0 2024. 4. 6.
  • [XGBoost] XGBoost 학습 시 GPU(CUDA) 사용하기 XGBoost 모델 학습 시 매우 느린 성능을 보인다. 특히 Hyper-Parameter Optimization과 같은 기법을 병행하여 사용한다면 힘든 시간이 될 것이다. XGBoost의 대부분의 알고리즘은 CUDA 호환 GPU로 가속화될 수 있으며 이는 학습, 예측 및 평가를 포함한다. XGBoost에서 GPU를 지원한다. 지원 조건은 아래와 같다. CUDA 11.0 이상 Compute Capability 5.0 이상 GPU 활성화 방법 GPU 가속을 활성화하려면 device 매개변수를 cuda로 설정한다. 만약 동일한 노드에 여러 장치가 있는 경우 장치 순서(사용할 GPU를 지정)는 cuda: 구문을 사용하여 지정한다. XGBoost는 기본적으로 0(CUDA 런타임에서 보고된 첫 번째 장치)으로 설정.. 공감수 0 댓글수 0 2024. 3. 31.
  • 희소행렬을 효율적으로 저장하는 COO, CSR 형식 희소행렬(Sparse Matrix)은 대부분의 원소가 0으로 채워진 행렬을 의미합니다. 이러한 행렬은 데이터의 특성에 따라 매우 큰 메모리를 차지할 수 있습니다. 따라서, 이러한 희소행렬을 저장하고 효율적으로 다루기 위해 COO(Coordinate List)와 CSR(Compressed Sparse Row) 형식이 주로 사용됩니다. 데이터 포맷에서 "희소행렬"과 "COO(Coordinate List)", "CSR(Compressed Sparse Row)" 형식은 주로 희소 행렬(행렬 내 대부분의 요소가 0인 경우)을 저장하고 효율적으로 다루기 위해 사용됩니다. 희소행렬(Sparse Matrix): 일반적인 행렬과 달리, 대부분의 원소가 0으로 구성되어 있습니다. 이러한 행렬은 메모리를 효율적으로 사용하기.. 공감수 0 댓글수 0 2024. 3. 30.
  • [Book] 나는 메트로폴리탄 미술관의 경비원입니다 개인적인 사건을 겪은 후 한 남자는 메트로폴리탄 미술관에 경비원으로 취업하게 된다. 그는 뉴욕 증권가의 잘나가던 금융권 종사자였으나 개인적인 사건 이후로 모든 것을 내려놓고 과거 어린시절의 기억이 있는 미술관으로 취업한다. 처음 책을 읽을 땐 표지에 적힌 것 처럼 이 남자가 모든 것을 내려놓고 미술관으로 숨어버린 것으로 생각했다. 세계에서 가장 큰 미술관 중 하나인 메트로폴리탄 미술관이라면 미술관 밖의 자신의 상황과 과거의 사전들에게서 도망칠 수 있으리라 믿었던 것일까? 이 책은 그 곳에서 그는 긴 시간속에서 미술관의 한 요소가 되어 겪었던 일들에 대해 담담히 써내려 간 에세이다. 그렇기에 특별하지 않다. 지금 서점을 가보면 자극적인 주제와 내용으로 어떻게든 내가 가장 특별하다고 아우성치는 책들이 많다... 공감수 0 댓글수 1 2024. 3. 22.
  • [Book] 장하준의 경제학 레시피 장하준 교수님의 경제학 신간이 10년 만에 출간되었다. 경제학자로써 넓은 영향력을 미치는 장하준 교수님의 도서는 읽기도 전에 경제학 지식이 전무한 독자에겐 너무 어렵지는 않을까 하는 선입견을 가지는 이들도 있다. 하지만, 장하준 교수님은 경제학을 참으로 맛깔나게 표현하는 마법같은 능력을 가지고 계신다. '장하준의 경제학 레시피' 책은 경제학을 가볍고 즐겁게 맛뵬 수 있는 즐거운 도서이다. 18가지 재료처럼 18개의 작은 챕터로 이루어져 있다. 각 챕터는 18가지 재료에 대한 가벼운 설명 즉 에피타이저로 시작을 한다. 에피타이저 타임이 지나면 코스요리처럼 해당 재료부터 시작하여 재료와 연관된 이야기, 마지막엔 경제학을 메인요리로 짠 하고 마법처럼 이루어져 있다. 하나의 코스요리를 대접받는 기분이랄까? 어떻.. 공감수 1 댓글수 2 2024. 2. 18.
  • [Book] 위로의 미술관 지친 하루의 끝, 오직 나만을 위해 열려 있는 위로의 미술관 처음은 단순한 호기심이였다. 위로의 미술관? 어떠한 의미로 책의 이름을 위로의 미술관이라고 지었는지 궁금했다. 이전에 미술작품, 미술작가, 미술관과 관련된 책들을 읽은 적이 있었다. 세상에 이름을 남긴 유명 작가들의 작품을 소개하고 작품의 세계관, 작가의 철학 등을 설명하는 도서들이였다. 미술 관련 교양 서적이라면 대부분 그러한 구성일 것이라 생각했다. 이 책은 작품도 분명 설명하고 있지만 작품보단 작가에 대해 좀 더 포커스를 맞춘다. 그들이 태어난 시대, 살아온 시간, 연인, 동료, 질투와 화해 그리고 그 속에 사라지지 않는 작품에 대한 열정과 자신에 대한 믿음을 말한다. 이 도서의 저자는 어떠한 의미로 독자를 위로하려고 하였는지는 모른다. .. 공감수 0 댓글수 0 2024. 2. 4.
  • [Book] GRIT 'GRIT' 이란 도서는 2019년 2월에 첫 출판된 뒤로 계속해서 사랑받는 자기계발서 중 하나이다. 출간된지 약 5년이 지난 후에 읽어보게 되었다. 사실, 자기계발서를 좋아하진 않는다. 간혹 누군가에게 자신의 경험을 토대로 나는 이렇게 성공했으니 너도 이렇게 하면 나처럼 될 수 있다라는 식의 주장은 유쾌하지 않게 느껴지기 때문이다. 사람마다 각자의 살아온 환경, 살아가는 문화 등이 너무나도 다르다. 이런 이해관계를 모두 나에게 대입해서 설명하며 '넌 이렇게 하면 성공할 수 있어' 란 식의 도서는 항상 거부감을 불러일으켰다. 그리고 여러 자기계발서를 읽으며 공감가지 않는 도서들은 리뷰 작성조차 하지 않았다. 그럼에도 'GRIT' 이란 자기계발서적을 읽고 리뷰를 작성하는 이유는 단순하다. 어떠한 환경이던,.. 공감수 0 댓글수 1 2024. 1. 28.
  • [Metrics] 분류 모델 평가를 위한 지표는 어떻게 선정해야 하는가? 모델 평가지표를 선택할 때에는 해당 문제의 특성과 목표, 그리고 모델이 사용되는 상황을 고려해야 합니다. 다양한 모델 평가지표 중에서 어떤 것을 선택할지 결정하는 데에는 여러 요소가 영향을 미칩니다. 모델 지표 선택 시 고려사항 해결하려는 문제에 대한 정확한 이해가 필요 분류 문제인지 회귀 문제인지를 고려해야 합니다. 분류 문제에서는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1 스코어 등이 중요한 평가지표입니다. 회귀 문제에서는 평균 제곱 오차(Mean Squared Error), 평균 절대 오차(Mean Absolute Error) 등이 일반적입니다. 데이터의 불균형 문제에 대한 고민 클래스 간의 샘플 수가 불균형하다면 정확도만으로는 모델 성능을 올바르게 평가할 .. 공감수 0 댓글수 2 2023. 12. 2.
  • [numpy] r_, c_ 함수에 대하여 numpy 라이브러리에서 제공되는 r_과 c_ 함수는 배열을 생성하고 결합하는 데 유용한 도구입니다. 이 두 함수는 배열을 만들거나 배열을 연결하는 데 사용되며, 주로 슬라이싱, 배열 결합, 또는 인덱싱 작업을 수행하는 데 활용됩니다. 각 함수의 기능과 사용법에 대해 알아보겠습니다. numpy.r_ numpy.r_은 배열을 연결하여 행 방향(axis 0)으로 확장하는 데 사용됩니다. 이 함수는 배열을 수평 방향으로 결합합니다. 여러 슬라이스 또는 배열을 사용하여 새로운 배열을 만들 수 있습니다. 예를 들어, 다음은 r_ 함수를 사용하여 배열을 생성하는 예제입니다: import numpy as np # 슬라이싱을 이용한 배열 생성 arr1 = np.array([1, 2, 3]) arr2 = np.array.. 공감수 0 댓글수 0 2023. 12. 2.
    문의안내
    • 티스토리
    • 로그인
    • 고객센터

    티스토리는 카카오에서 사랑을 담아 만듭니다.

    © Kakao Corp.