전체 글

Git message에 대해 학습 후 정리한 포스팅 입니다. 이번 포스팅에서는 템플릿을 적용하여 Commit 하는 방법에 대해 학습합니다. I) Commit Message 템플릿 설정? Git 커밋 메시지 템플릿을 설정하여 커밋을 할 수 있습니다. 템플릿을 설정하여 커밋을 하면 팀 전체에 일관적으로 커밋 메시지를 설정할 수 있습니다. (일관성, 명확성, 문서화, 협업, 코드 리뷰 등에서 장점!) II) Commit Message 템플릿 설정 방법 1. 템플릿 파일 작성 .gitmessage.txt 파일을 만들어 아래와 같은 커밋 메시지 템플릿 내용을 작성합니다. # ------- COMMIT END ------- # 리스트 # Feat : 새로운 기능 추가 # Fix : 버그 수정 # Docs : 문서 ..

argparse에 대해 학습 후 정리한 포스팅 입니다. 이번 포스팅에서는 argparse를 활용한 Python 스크립트 실행 시 인자값 전달하는 방법에 대해 학습합니다. I) argparse 란? `argparse`는 파이썬에서 커맨드 라인 인자를 파싱하고 처리하는 라이브러리입니다. II) AI 모델에서 argparse AI 모델에서는 `argparse`를 사용하여 스크립트를 실행할 때 모델 아키텍처, 하이퍼파라미터, 입력 데이터 경로, 출력 경로 등의 설정을 사용자가 지정할 수 있도록 할 수 있습니다. 이를 통해 AI 모델이 더 다양한 상황에서 사용 가능하고 사용자 친화적인 모델이 됩니다. III) argparse를 활용한 코드 import argparse # argparse: 명령줄 인수를 파싱하는 ..

판다스 데이터프레임에 대해 학습 후 정리한 포스팅 입니다. 이번 포스팅에서는 판다스 데이터프레임의 iloc & loc에 대해 학습합니다. 데이터프레임의 데이터에 접근하는 인덱싱 방법인 iloc & loc에 대해 알아보겠습니다. I) iloc 1. iloc: interger location을 의미한다. 정수 기반 인덱싱을 통해 DataFrame의 데이터에 접근이 가능하다. import pandas as pd # 샘플 DataFrame 생성 data = { 'Name': ['Kim', 'Lee', 'Choi', 'Ryu', 'Do'], 'Age': [25, 30, 22, 28, 35], 'City': ['Seoul', 'Anyang', 'Busan', 'Suwon', 'Incheon'] } df = pd.D..

판다스 데이터프레임에 대해 학습 후 정리한 포스팅 입니다. 이번 포스팅에서는 판다스 데이터프레임의 특징, 생성, column 수정, index 수정에 대해 학습합니다. 데이터프레임(DataFrame)은 데이터를 효율적으로 조작하고 분석하기 위한 2차원 데이터 구조입니다. 데이터프레임은 파이썬의 pandas 라이브러리에서 제공되며, 행과 열로 이루어진 테이블 형태의 데이터를 다루는 데에 유용하게 사용됩니다. I) 데이터프레임의 특징 1. 2차원 구조: 데이터프레임은 행과 열로 이루어진 2차원 데이터 구조입니다. 각 행은 개별 데이터 관측치(레코드), 각 열은 해당 데이터 관측치의 특성(특징)을 나타냅니다. 2. 라벨링된 열: 각 열은 라벨(이름)을 가지고 있어 해당 열에 저장된 데이터의 의미를 표현합니다...

AWS EC2 인스턴스 생성 + Ubuntu 외부 접속 (ssh) 학습 후 정리한 포스팅 입니다. 이번 포스팅에서는 AWS EC2 인스턴스 생성 + Ubuntu 외부 접속 (ssh)에 대해 학습합니다. I) AWS EC2 인스턴스 생성 AWS 회원 가입 후 인스턴스 시작을 진행합니다. 원하는 이름을 선택하고 Ubuntu Server 버전을 선택합니다. 프리티어를 사용하면 기본적으로 제공되는 서비스들을 일정 기간 동안 무료로 이용할 수 있습니다. AWS에서 EC2 인스턴스에 로그인하기 위해서는 키페어(Key Pair) 설정이 필요합니다. 키페어는 SSH를 사용하여 인스턴스에 접속할 때 필요한 개인 키와 공개 키의 쌍을 말합니다. 보안 그룹은 일단은 추가 없이 인스턴스를 생성합니다. 이제 정상적으로 IPv4..

GAN(Generative Adversarial Nets) 논문 학습 후 정리한 포스팅 입니다. 이번 포스팅에서는 GAN(Generative Adversarial Nets)에 대해 리뷰합니다. Generative Adversarial Nets 0. Abstract 적대적 프로세스를 통해 생성 모델을 예측하는 새로운 프레임워크를 제안합니다. 데이터 분포를 포착하는 생성 모델 G와 훈련 데이터에서 샘플이 나올 확률을 추정하는 판별 모델 D의 두 모델을 동시에 훈련합니다. G의 훈련 절차는 D가 실수할 확률을 최대화하는 것입니다. 이 프레임워크는 미니 맥스 2인 게임에 해당합니다. 임의의 함수 G와 D의 공간에서 G는 훈련 데이터 분포를 복구하고 D는 모든 곳에서 0.5와 같은 고유한 솔루션이 존재합니다. G..