beginner-in-coding 님의 블로그

01. 학습 내용[회고록] REST API 규칙 [회고록] REST API 규칙🔵 REST API란?REST는 REpresentational State Transfer의 약자쉽게 말하면, "웹 자원(Resource)을 규칙에 맞게 주고받는 방법"API는 "프로그램끼리 통신하는 방법"👉 REST API = "REST 원칙을 지켜서 만들어진 API"🔵beginner-in-coding.tistory.com[머신러닝 & 딥러닝] 결정 트리 (Decision Tree) [머신러닝 & 딥러닝] 결정 트리 (Decision Tree)01. 결정 트리(Decision Tree)설명이 필요할 때 유용한 모델일련의 질문에 대한 결정을 통해 데이터를 분해결정 알고리즘트리의 루트(root, 즉 제일 상위에 있는 노드)에..

00. 데이터 전처리머신 러닝 알고리즘의 중요 요소: 데이터 품질 & 정보의 양데이터를 모델에 주입하기 전, 조사하고 전처리하는 과정이 필수01. 누락된 데이터 다루기NaN, NULL: RDB에서 모르는 값을 지칭하는데 사용누락된 값을 무시하고 학습할 경우 예상치 못한 결과가 발생, 따라서 분석을 하기 전 누락된 값을 처리하는 것이 중요방법(Python의 DataFrame으로 다룸)테이블 데이터에서 누락된 값 식별isnull()을 통해 셸이 수치 값을 가지고 있는지(false) 가지고 있지 않은지(true)를 불리언 값이 채워진 DataFrame으로 반환이를 sum()을 통해 각 특성마다 몇 개씩 보유하고 있는 지 확인누락된 데이터 다루는 전략들 활용전략 1: 누락된 값이 있는 훈련 샘플이나 특성 제외하..

📋 Spring Boot TDD 기본 흐름TDD는 항상 3단계 사이클:Red – 실패하는 테스트 작성 (처음엔 무조건 실패해야 정상)Green – 테스트를 통과시키기 위한 최소한의 코드 작성Refactor – 코드를 예쁘게 다듬고 최적화 (테스트는 계속 통과해야 함)즉,테스트 먼저 → 코드 작성 → 리팩터링✨ Spring Boot TDD 실습 예시예를 들어, "회원가입" 기능을 만든다고 가정1. 실패하는 테스트 먼저 만들기 (Red)// src/test/java/com/example/demo/MemberServiceTest.javapackage com.example.demo;import org.junit.jupiter.api.Test;import static org.assertj.core.api.Ass..

🔵 REST API란?REST는 REpresentational State Transfer의 약자쉽게 말하면, "웹 자원(Resource)을 규칙에 맞게 주고받는 방법"API는 "프로그램끼리 통신하는 방법"👉 REST API = "REST 원칙을 지켜서 만들어진 API"🔵 REST의 기본 원칙1. 자원(Resource) 기반서버는 자원(데이터) 를 중심으로 다룸예를 들어, 상품, 회원, 주문 같은 게 다 "자원"2. HTTP 메서드(Method)로 의도를 표현한다무슨 작업을 하고 싶은지는 HTTP 메서드로 표현대표적인 메서드:메서드의미GET자원을 조회한다 (읽기)POST자원을 새로 만든다 (추가)PUT자원을 수정한다 (전체 수정)PATCH자원을 수정한다 (부분 수정)DELETE자원을 삭제한다👉 예를..

01. 랜덤 포레스트(RandomForest)앙상블 기법 중 하나앙상블에 참여한 모든 결정트리에서 계산한 평균적인 불순도 감소로 특성 중요도를 측정사이킷런의 랜덤 포레스트 구현: 특성 중요도 값을 이미 수집함RandomForestClassifier의 feature_importances 속성에서 확인 가능SelectFromModel: 사용자가 지정한 임계값을 기반으로 특성 선택트리 기반 모델은 표준화나 정규화가 필요 없음 → 랜덤 포레스트를 훈련하고 각각의 상대적 중요도에 따라 특성에 순위를 매기기 때문특성 중요도의 합: 1결정 트리에서 평균적인 불순도 감소를 기반으로 이 데이터셋에서 가장 판별력이 좋은 특성을 찾을 수 있음중요한 참고 사항모델 해석을 고려할 경우, 랜덤 포레스트에서 두 개 이상의 특성이 ..

01. 랜덤 포레스트 (Random Forest)앙상블(ensemble): 뛰어난 분류 성능 + 과대적합에 안정적종류: 배깅(bagging), 부스팅(bosting)랜덤 포레스트: 결정 트리 기반의 앙상블아이디어: 여러 개의 (깊은) 결정 트리를 평균을 내는 것, 즉 개개의 트리는 분산이 높은 문제가 발생하지만 견고한 모델을 만들어 일반화 성능을 높이고 과대 적합의 위험을 줄임단계 요약n개의 랜덤 한 부트스트랩(bootstrap) 샘플을 뽑음(훈련 데이터셋에서 중복을 허용하면서 랜덤 하게 n개의 샘플을 선택)부트스트랩 샘플에서 결정 트리를 학습, 각 노드에서 다음과 같이 진행중복을 허용하지 않고 랜덤하게 d개의 특성을 선택정보 이득과 같은 목적 함수를 기준으로 최선의 분할을 만드는 특성을 사용해서 노드를..

01. 결정 트리(Decision Tree)설명이 필요할 때 유용한 모델일련의 질문에 대한 결정을 통해 데이터를 분해결정 알고리즘트리의 루트(root, 즉 제일 상위에 있는 노드)에서 시작해서 정보 이득(Information Gain, IG)가 최대가 되는 특성으로 데이터를 나눔반복 과정을 통해 리프 노드(leaf node, 즉 마지막 노드)가 순수해질떄까지 모든 자식 노드에서 이 분할 작업을 반복즉, 각 노드의 모든 훈련 샘플은 동일한 클래스에 속함노드가 많은 깊은 트리의 문제점: 과대 적합의 문제 발생 → 일반적으로 트리의 최대 깊이를 제한하여 트리를 가지치기(pruning)함 02. 정보 이득 최대화: 자원을 최대로 활용트리 알고리즘으로 목적 함수를 사용하는 이유: 가장 정보가 풍부한 특성으로 노드..

기간: 2025.04.14 ~ 2025.04.2101. 학습 블로그[머신러닝 & 딥러닝] 적응형 선형 뉴런(ADAptive Linear NEuron, ADALINE)[머신러닝 & 딥러닝] K-최근접 이웃(K-Nearest Neighbor, KNN)[Python] 시각화[머신러닝 & 딥러닝] K-means 알고리즘[머신러닝 & 딥러닝] 퍼지 C-평균(Fuzzy C-Means, FCM)[머신러닝 & 딥러닝] 비지도 학습에서의 성능 평가 (1) - 엘보우 방법[머신러닝 & 딥러닝] 비지도 학습에서의 성능 평가 (2) - 실루엣 그래프[머신러닝 & 딥러닝] 딥러닝을 시작하기 전에[머신러닝 & 딥러닝] K-Means 튜닝 하이퍼파라미터

1. 주요 KMeans 파라미터:n_clusters: 클러스터의 수. 일반적으로 Elbow Method나 Silhouette Score 등을 사용하여 최적의 k 값을 찾습니다.init: 초기 클러스터 중심을 설정하는 방법. 기본값은 'k-means++'로, 클러스터 중심을 자동으로 잘 초기화합니다.'k-means++': 더 나은 초기화 방법으로, 과거의 KMeans 알고리즘보다 더 빠르고 안정적인 결과를 제공합니다.'random': 무작위로 초기 중심을 설정합니다.ndarray: 사용자 지정 중심을 제공할 수도 있습니다.max_iter: 최대 반복 횟수. 기본값은 300입니다.너무 적게 설정하면 수렴하지 않을 수 있고, 너무 크게 설정하면 계산 비용이 커질 수 있습니다.n_init: 초기화 반복 횟수. ..

01. 딥러닝(Deep Learning)머신러닝의 하위 분야여러 개의 층으로 이루어진 인공 신경망(Artificial Neural Network, ANN)심층 신경망(Deep Neural Network, DNN) 구조: 이미지나 텍스트 분석에 잘 맞음02. 인공 신경망기본 개념: 사람의 뇌가 어떻게 복잡한 문제를 푸는 지에 대한 가설과 모델 기반초기 연구: 워렌 맥컬록(Warren McCulloch), 월터 피츠(Walter Pitts)맥컬록-피츠 뉴런 모델(퍼셉트론)이 처음 구현된 이후, 루멜하트(Rumelhart), 힌튼(Hinton), 윌리엄스가 신경망을 효과적으로 훈련시키는 역전파 알고리즘을 재발견한 이후에 신경망에 대한 관심이 살아남신경망 구조: 여러 층으로 이뤄짐DNN 애플리케이션 예시사진 이..