Big Bro's Studying Archive

TensorFlow2에서 Logistic Classification 구현하기 import tensorflow as tf x_data = [[1, 2], [2, 3], [3, 1], [4, 3], [5, 3], [6, 2]] y_data = [[0], [0], [0], [1], [1], [1]] model = tf.keras.models.Sequential() model.add(tf.keras.layers.Dense(units = 1, input_dim = 2, activation = 'sigmoid')) 1개 층으로 된 뉴럴넷 모델 설계 x_data가 각 인스턴트별로 두개씩 구성되어있으므로 input_dim은 두개를 넣어줬다. Dense 층에 활성함수를 설정할 수 있다. 분류 문제이므로 l..

TensorFlow2에서 다변량 선형 회귀 간단하게 구현해보기 # Multi variable linear regression import tensorflow as tf import numpy as np 인스턴스가 5이고 변수가 세개인 데이터 생성 이전 세 쪽지 시험 결과로 200점 만점의 기말고사 결과 예측 x_data = [[73., 80., 75.], [93., 88., 93.], [89., 91., 90.], [96., 98., 100.], [73., 66., 70.]] y_data = [[152.], [185.], [180.], [196.], [142.]] keras neural net 모델 설계하기 model = tf.keras.models.Sequential() model.add(tf.kera..

tensorflow2에서 손실함수 동작 원리 실습¶ 모듈 불러오기 In [1]: import numpy as np import tensorflow as tf import matplotlib.pyplot as plt 가상의 훈련 x, y값 설정 In [2]: x_train = [1,2,3,4] y_train = [0,-1,-2,-3] 모델 keras의 Neural Net, Sequential model load In [3]: model = tf.keras.Sequential() 예시로 1개 층, 1개 노드를 갖춘 단순 모델 설계 In [4]: model.add(tf.keras.layers.Dense(units = 1, input_dim = 1)) In [6]: opt = tf.keras.optimizers..

오늘은 다중 컬럼 서브쿼리 중 중첩서브쿼리(Nested subquery)와 인라인 뷰를 활용한 서브쿼리를 알아보고자한다 아래의 예제를 통해 확인해보자 예제 emp 테이블에서 부서별 최대 연봉자의 정보출력 step 1 부서별 최대연봉 출력 select deptno, max(sal) from EMP group by deptno; step 2 위 정보 확인 후 그에 맞는 데이터 값을 조건으로 색인하기 select * from EMP where deptno = 30 and sal = 2850; 이 과정을 하나로 단축 시켜주는 것이 다중컬럼 서브쿼리이다. 서브쿼리의 결과가 여러 컬럼의 데이터를 출력해주는 서브쿼리를 다중컬럼 서브쿼리라고 하는데 위의 경우에는 아래와 같이 두 컬럼의 결과를 모두 활용할 수 있다. s..

EMP 테이블에서 이름이 'A'로 시작하는 사원이 있는 부서원의 정보를 출력하는 서브쿼리는 다음과 같다. select * from EMP where deptno in (select deptno from EMP where ename like 'A%'); 우선 where 절에 쓰인 서브쿼리인 아래 쿼리의 결과를 출력하면 다음과 같다. select deptno from EMP where ename like 'A%'; ENAME에 'A'로 시작하는 사원은 ADAMS와 ALLEN이고 이들의 부서 번호가 출력된다. 여기서 부서번호가 한 가지가 아니기 때문에 where절의 조건으로 두 가지 조건이 걸리게 된다. 이 경우 or의 기능을 수행하는 in 연산자를 통해 색인을 해주고 쿼리를 실행해주면 다음과 같은 결과가 출..

@author: Yoon Baek 다양한 함수 생성 방식 전역변수 선언(global, c1

Author : Yoon Baek 들어가기 전에 이번 글을 통해 T검정을 정규분포와 유사하게 사용할 수 있음을 입증해보고, 이렇게 입증한 T검정을 통해 모표준편차를 모르는 표본의 T검정에 직접 활용해보는 연습을 해보고자 한다. 궁금한 점은 댓글을 통해 달아주시면 성심성의껏 답변해드리겠습니다. 정규분포와 t분포와의 관계 모집단의 모수 mu, sigma가 있을 경우(모집단의 분포는 상관없음), 모집단으로부터 추출된 표본평균(xbar)는 다음의 분포를 따른다. xbar ~ N(mu,sigma^2/n) xbar - mu / (sigma/sqrt(n)) ~ N(0,1) # 표준화된 확률변수 Z의 분포 따라서 해당 이론을 통해 모집단의 모평균(mu)를 추정, 가설검정할 수 있음 따라서 모집단의 모분산(혹은 모표준편..

Author : Yoon Baek outer join 조인 조건을 만족하지 않는 대상까지 추출 기준이 되는 테이블 위치에 따라 left outer join, right outer join, full outer join으로 구분 예제) Student, professor 테이블을 사용하여 각 학생의 이름, 학년, 지도교수명 출력 (단 지도 교수가 없는 학생의 정보는 생략) select s.name, s.grade, p.name from student s left join professor P on s.profno = p.PROFNO; --ansi 표준select s.name, s.grade, p.name from student s, professor P where s.profno = p.profno(+); ..

""" Created on Fri Apr 10 10:17:32 2020 @author: Yoon Baek """ 로또 생성 프로그램 만들어보기 import random lot = [] while len(lot) 1500 : comm2.append('A') else : comm2.append('B') comm2 sol 2 f3 = lambda x : 'A' if x > 1500 else 'B' list(map(f3, comm)) sol 3 ['A' if i > 1500 else 'B' for i in comm] sol 4 : np.where의 활용 np.where(np.array(comm) > 1500, 'A', 'B') numpy의 np.where 함수를 활용할 수 있다. R의 ifelse함수와 똑같은 ..

Author : Yoon Baek 참고 : 날짜 포맷 확인 help("strftime") help 함수 : 해당 함수의 정보를 보여주는 함수 함수의 인자, 인자 타입, 출력 결과등에 대한 설명이 적혀있다. R을 공부할 때 참조하면 여러모로 좋다. strftime() #string format time strptime() #string 파씽 time (파씽 = 해석) 스트링포맷타임 : 날짜 포맷 변경 ( = as.character) : 날짜의 포맷을 스트링 타입으로 정해준다고 생각하면 편하다. 스트링파씽타임 : 문자를 날짜로 파싱, as.date strptime('02/10/2020') #기본값이 없는 인수 "format"가 누락되어 있습니다 strptime('02/10/2020', '%d/%m/%Y') ..