일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | ||||||
2 | 3 | 4 | 5 | 6 | 7 | 8 |
9 | 10 | 11 | 12 | 13 | 14 | 15 |
16 | 17 | 18 | 19 | 20 | 21 | 22 |
23 | 24 | 25 | 26 | 27 | 28 |
- ux·ui디자인
- BFS
- 멋재이사자처럼
- 시각화
- 마이온
- DFS
- Join
- DP
- 멋쟁이사자처럼
- TiL
- graphrag
- GIS
- 알고리즘
- GNN
- Python
- 프로젝트
- folium
- likelionlikelion
- 마이온컴퍼니
- intern10
- paper review
- seaborn
- 그리디
- likelion
- parklab
- 인턴10
- 파이썬
- Rag
- 멋사
- SQL
- Today
- Total
목록전체 글 (111)
지금은마라톤중

2023.01.06 7. class ..ing 4) getter, setter -객체의 내부 변수에 접근할 때 특정 메서드를 거쳐서 접근할 수 있도록 하는 방법 class Person: def __init__(self, pw): self.hidden_pw = pw # getter : 데이터를 가져올(출력) 때 사용 # 가져올 때 뒤에 ***로 나오게 만듬 @property def pw(self): print('getter') return self.hidden_pw # setter : 변수를 설정(수정)할 때 사용 # pw 변경 시 기존에 있던 pw 입력해야 할 수 있는 설정 @pw.setter def pw(self, new_pw): print('setter') input_pw = input('insert..

2023.01.05 7. class - 변수, 함수를 묶어서 코드를 작성하는 방법 - 객체지향 구현하는 문법 - 객체지향 : 실제세계를 모델링하여 프로그램을 개발하는 개발 방법론 : 협업을 용이하게 하기 위한 - 함수 사용법 : 함수선언(코드작성) > 함수호출(코드실행) - 클래스 사용법 - 클래스 선언(코드작성) > 객체생성(메모리사용) > 메서드실행(코드실행) - 클래스 선언(설계도작성) > 객체생성(제품생산) > 메서드실행(기능사용) -식별자 컨벤션 - 변수, 함수 : snake_case - 클래스 : PascalCase, UpperCamelCase - class, self, 사용자 정의 데이터 타입, special methods(__int__(), __add__()…) - 상속, super, ge..

2022.01.04 - list.append() : 리스트 데이터에 데이터를 추가 data = [1, 2, 3] data.append(4) data # 출력 : [1, 2, 3, 4] 6. 함수 - 반복적으로 사용되는 코드를 묶어서 사용하는 방법 > 코드의 유지보수가 쉬워짐 - def, return, argument, parameter, docstring, scope, lambda - 사용법 : 함수선언(코드작성) > 함수호출(코드실행) 1) argument, parameter : 함수를 호출하는 코드에서 함수를 선언하는 코드로 데이터 전달할 때 사용 - default parameter : 입력이 없을 때 입력되는 고정값이 있는 파라미터 - keyword argument import random # 함수..

데이터 규모에 따른 스킬들 - 엑셀 : 사용 간편 : 데이터 100만개 : 만들어진 기능만 사용가능 : 속도 느림 - 파이썬 : 파이썬문법 : 데이터 RAM 용량만큼 : 기능을 만들어서 사용가능 : 속도 빠름 - 파이썬 : 가상메모리 : DASK - 데이터베이스 : SQL문법 : 데이터 SSD(HDD) 용량만큼 : 속도 빠름 - 빅데이터 : 여러개의 컴퓨터를 1대의 컴퓨터처럼 사용 : SPARK : scala, python 3. 연산자 : CPU를 사용하는 방법 - 산술 : +, - , =, , =, d2 # 출력 : (False, True, True)..

2023년 1월 2일 새해가 되고 첫 수업이었다. 오늘은 컴퓨터의 전체적인 개요와 파이썬에 대해 배웠다. 수업시간에 배운 내용과 수업에서 언급했지만 설명이 없었던 부분들을 추가적으로 공부하여 정리하였다. 컴퓨터 구조 1. 컴퓨터 : 계산을 수행하는 기계, 2진수 사용, 2GHz는 1초에 2번 0,1 판단할 수 있다 2. 컴퓨터 구조 : 중앙처리장치(CPU) - 연산수행, 주기억장치(RAM) - 저장된 파일을 메모리로 복사/ CPU와 SSD를 연결, 보조기억장치(SSD, HDD) - 파일 저장 3. OS : 물리적 장치를 컨트롤하는 소프트웨어, CPU를 할당 4. 프로그래밍 : OS에서 물리적 장치를 사용해 컴퓨터에게 연산과제를 수행하게 하는 것을 말함, 컴퓨터와 의사소통하는 수단, APP을 만드는 방법 ..
1. crawler : 기는 것, 파충류 -> 웨베 사이트를 기어다니면서 정보를 모아준다. 2. web crawling : 크롤러를 사용해 웹 페이지의 데이터를 추출해 내는 행위 3. 터미널에 install을 이용해서 설치 가능 ex) pip install requests * requests : 크롤링하기 위해 요청하는 모듈 4. 함수 : 자주 사용하는 것을 모아서 사용할 수 있게 해놓은 것, ex) 조립기계, construct_machine(green, blue) 5. 모듈 : 함수들을 모아놓은 파일, 남들이 만들어놓은 것을 사용 가능, import로 제시해야 사용 가능 ex) requests. 6. get 함수 : return 응답값(응답값을 처리 후 돌려준다). 7. # : 주석, 코드로 인식하지 ..
멋쟁이사자처럼 AI스쿨 8기가 시작되었다. 저작권 문제로 코드를 직접적으로 올리지 못해서 내용 위치의 TIL을 작성해보려고 한다. 1일씩 포스팅하면 너무 많은 것 같고 1주일씩 포스팅하면 너무 적은 것 같아. 2~3일씩 묶어서 포스팅을 해보려고 한다. TIL가 오늘 배운 내용을 정리하는 것이지만 2~3일 분량인 것은 비밀~🤫 그럼 이제 포스팅 시작! 파이썬 기초 문법 1. 변수 설정 : < = 는 퇴화되고 = 사용 2. list와 dict 차이 : list [] 사용, dic {} 사용 3. dict 구조 : {”key” : “value” } 4. 반복문 : for 과 while 1) for : range 안에 임의의 x값을 하나씩 불러서 반복 2) while : Trued일 경우 무한 반복, break..

Titanic - 11. Feature engineering - Change string to categorical and Pearson coefficient https://youtu.be/9GmeGAoBM7M 이번에는 문자열을 그래도 사용하면 인식의 오류가 있어서 숫자열로 바꿔주는게 좋다. map 과 딕셔너리를 이용하여 숫자의 값으로 표현하여 효율성을 높이는 작업을 했다. df_train['Initial'] = df_train['Initial'].map({'Master':0, 'Miss':1, 'Mr': 2, 'Mrs': 3, 'Other': 4}) df_test['Initial'] = df_test['Initial'].map({'Master':0, 'Miss':1, 'Mr': 2, 'Mrs': 3, ..