jinseon's log

01 도전! 파이썬 동화 10제 [1번째 이야기] 안녕 토끼! print('Hello Rabbit!') [2번째 이야기] 카드병정의 장미 세기 # ?를 채워주세요 x = 6 y = 3 # 빈 곳도 채워주세요! # 더하기 연산 my_sum = x + y print('my_sum :', my_sum) # 빼기 연산 my_sub = x - y print('my_sub :', my_sub) # 곱하기 연산 my_mul = x * y print('my_mul :', my_mul) # 나누기 연산 my_div = x / y print('my_div :', my_div) [3번째 이야기] 거꾸로 숫자 세기 count = 10 for i in range(10, 0, -1): print (i) [4번째 이야기] 개굴개굴..

집계함수 - 집계 : 데이터에 대한 요약 통계 x = np.arange(8).reshape((2, 4)) >> [[0, 1, 2, 3], [4, 5, 6, 7]] np.sum(x) >> 28 np.min(x) >> 0 np.max(x) >> 7 np.mena(x) >> 3.5 # axis np.sum(x, axis=0) >> [4, 6, 8, 10] np.sum(x, axis=1) >> [6, 22] 마스킹 연산 - True, False 배열을 통해서 특정 값들을 뽑아내는 방법 x = np.arange(5) >> [0, 1, 2, 3, 4] x > [True, True, True, False, False] x > 5 >> [False, False, False, False, False] x[x <..

브로드캐스팅 (Broadcasting) - shape이 다른 배열 연산 # matrix + 5 [[2, 4, 2], [[7, 9, 7], [6, 5, 9], >> [11, 10, 14], [9, 4, 7]] [14, 9, 12]] # matrix + np.array([1, 2, 3]) [[2, 4, 2], [[3, 6, 5], [6, 5, 9], >> [7, 7, 12], [9, 4, 7]] [10, 6, 10]] np.arange(3).reshape((3,1)) + np.arange(3) [[0], [[0, 1, 2], [1], >> [1, 2, 3], [2]] [2, 3, 4]]

Numpy 연산 - 배열은 기본 연산 지원 (+, -, *, /) - 다차원 행렬도 지원 - 배열의 원소에 각각 계산하는 함수를 만들어 사용할 때 매우 느리고, 원소의 값이 커질 수록 더욱 느림 => 배열은 연산 속도가 빠름 x = np.arange(4) >> [0, 1, 2, 3] x + 5 >> [5, 6, 7, 8] x - 5 >> [-5, -4, -3, -2] x * 5 >> [ 0, 5, 10, 15] x / 5 >> [0. , 0.2, 0.4, 0.6] # 다차원 행렬 x = np.arange(4).reshape((2, 2)) >> [[0, 1], [2, 3]] y = np.random.randint(10, size=(2, 2)) >> [[1, 6], [4, 2]] x + y >> [[1, 7..

모양 바꾸기 - 배열.reshape x = np.arange(8) x.shape >> (8,) x2 = x.reshape((2, 4)) >> [[0, 1, 2, 3],[4, 5, 6, 7]] x2.shape >> (2, 4) 이어 붙이기 - np.concatenate - axis=0 : 행|밑으로 - axis=1 : 열|옆으로 x = np.array([0, 1, 2]) y = np.array([3, 4, 5]) np.concatenate([x, y]) >> [0, 1, 2, 3, 4, 5] # axis 축을 기준으로 붙이기 ## axis=0 => 행|밑으로 matrix = np.arange(4).reshape(2, 2) >> [[0, 1], [2, 3]] np.concatenate([matrix, mat..

배열의 기초 - ndim : 배열의 차원 수 - shape : 배열 차원의 크기 (행렬) - size : 배열의 개수 - dtype : 배열 데이터 타입 인덱싱과 슬라이싱의 차이 - Indexing : 인덱스로 값을 찾아내고, 해당 위치의 값을 변경할 수 있음 - Slicing : 인덱스로 배열의 부분(범위)을 가져옴 x = np.arange(7) >> [0, 1, 2, 3, 4, 5, 6] # Indexing x[3] >> 3 x[7] >> IndexError x[0] = 10 >> [10, 1, 2, 3, 4, 5, 6] # Slicing x[1:4] >> [1, 2, 3] x[1:] >> [1, 2, 3, 4, 5, 6] x[:4] >> [0, 1, 2, 3] x[::2] >> [0, 2, 4, 6]

Numpy (Numerical Python) - Python에서 대규모 다차원 배열을 다룰 수 있게 도와주는 라이브러리 - 리스트에 비해 빠른 연산 & 메모리 효율 ↑ - 리스트와 다르게 단일 데이터 타입으로 구성 기본 사용법 import numpy as np np.array([1, 2, 3, 4, 5]) >> array([1, 2, 3, 4, 5]) np.array([1, 2, 3, 4, 5], dtype='float') >> array([1., 2., 3., 4., 5.]) 자주 사용되는 함수 - np.array : 배열생성 - np.zeros : 0이 들어있는 배열 생성 - np.ones : 1이 들어있는 배열 생성 - np.empty : 초기화되어 있지 않은 값이 들어있는 배열 반환 - np.ar..

📍 AlexNet (2012) 2012년 NIPS에 발표된 논문 저자의 이름 Alex와 Network를 합친 이름 2012 ILSVRC(ImageNet Large-Scale Visual Recognition Challenge)에서 우수한 성적을 나타낸 CNN 모델 딥러닝 혁명의 시작 ✅ 구조 LeNet과 크게 다르지 않음 병렬 구조 2개의 GPU로 병렬연산을 수행하기 위함 8개의 레이어 5개의 Convolution 레이어와 3개의 Fully-Connected 레이어로 구성 [Conv1 - Pool1 - Norm1 - Conv2 - Pool2 - Norm2 - Conv3 - Conv4 - Conv5 - Pool5 - FC6 - FC7 - FC8] 제일 마지막 FC 레이어에서는 1000개의 카테고리로 분류하..

📍 구글 코랩 (Google Colaboratory) - 웹 브라우저에서 무료로 파이썬 프로그램을 테스트하고 저장할 수 있는 서비스 - 구글이 대화식 프로그래밍 환경인 주피터를 커스터마이징한 것 - 텍스트와 프로그램 코드를 자유롭게 작성할 수 있는 온라인 에디터 => 노트북 (Notebook) | 코랩 노트북 - 컴퓨터 성능과 상관없이 프로그램 실습 가능 - 구글 계정만 있다면 누구나 무료로 사용 가능 📍 주피터 노트북 (Jupyter Notebooks) - 오픈소스 기반의 웹 플랫폼 - 파이썬을 비롯한 다양한 프로그래밍 언어 지원 - 코드 작성과 실행을 할 수 있는 개발 환경 제공 - 하나의 문서처럼 관리 가능 => 다른 사람과 공유하기 편리함

📍 인공지능 - 사람처럼 학습하고 추론할 수 있는 지능을 가진 컴퓨터 시스템을 만드는 기술 ✔ 인공지능의 역사 ▪ 인공지능 태동기 - 1943 뉴런 : 워런 매컬러 & 월터 피츠 - 1950 튜링 테스트 : 앨런 튜링, 인공지능이 사람과 같은 지능을 가졌는지 테스트 - 1956 다트머스 AI 컨퍼런스 : 인공지능 전망 ↑ => 1차 AI 붐 ▪ 인공지능 황금기 - 1957 퍼셉트론 : 프랑크 로젠블라트, 로지스틱 회귀의 초기 버전 - 1959 시각 피질 뉴런 연구 : 데이비드 허블 & 토르스텐 비셀, 고양이 연구 => 노벨상 ▪ 1차 AI 겨울 - 컴퓨터 성능으로 인한 한계 ▪ 2차 AI 붐 - 전문가 시스템의 등장 ▪ 2차 AI 겨울 - 전문가 시스템의 한계 ✔ 강인공지능과 약인공지능 ▪ 강인공지능 (..