Hello World!

시작하기 앞서 해당 글에서 이어지는 내용입니다. 3. 필요한 프로그램을 ec2 환경 내에서 설치하기3.1 인바운드/아웃바운드 규칙 설정- 인바운드 규칙 편집 : 상황에 따라서 편집- 아웃바운드 규칙 편집 : 3.2. 필요한 프로그램 설치- Git 설치하기$ sudo apt update$ sudo apt install git -y- Docker 설치하기$ sudo apt install docker.io -y$ sudo systemctl start docker$ sudo systemctl enable docker- Docker-compose 설치하기$ sudo curl -L "https://github.com/docker/compose/releases/latest/download/docker-compose-..

🚀 시작하기 전 환경 설정회원가입 : AWS, Docker다운로드 : PuTTy, PuTTYgen 제가 보려고 만든 거라 비효율적이거나 부정확한 정보가 있을 수 있습니다. ✨ 목표 아키텍쳐 1. AWS EC2 인스턴스 생성하기2. PuTTy, PuTTYgen 2.1 시작 전1) 퍼블릭 IPv4 주소 입력하기 2) 키페어를 생성하면서 받은 pem 키를 ppk로 수정하기🪄 자세한 방법 보러가기 : https://calvinjmkim.tistory.com/20 PEM파일을 PPK로 변경하기 (PEM to PPK)윈도우즈에서 간단한 터미널 툴을 사용하고 싶을 때 가장 먼저 생각나는 툴이 Putty이다. 기본적인 기능만 갖추고 있고, 간단하고, 설치할 필요도 없고, 용량마저 작은 것이 그 매력이 아닐까 싶ca..

🎯상황 설명- 로그인/로그아웃 시 토큰을 관리하기 위해 redis를 이용했다.- 로컬에서는 문제가 없어서 배포 환경까지 올렸는데, redis에 접근해야 할 때마다 아래와 같은 에러가 발생했다.- 에러 로그 Unable to connect to localhost/~~Connection refused에러 로그가 친절하게 문제점을 알려주고 있다. 🚀 문제 파악✨ 핵심redis를 localhost로 설정했기 때문에 redis를 찾지 못해 발생한 에러이다.docker-compose에서 지정한 서비스 이름을 이용해 host를 설정하도록 변경하면 된다.🌎 배포 환경에서의 localhost localhost는 컨테이너 내부에서의 자기 자신을 가리킨다.Spring boot 컨테이너 내에서 localhost:포트번..

📜기본 숙제 : Ch.07(07-1) 확인 문제 풀고, 풀이 과정 정리하기 Q1. 어떤 인공 신경망의 입력 특성이 100개이고 밀집층에 있는 뉴런 개수가 10개일 때 필요한 모델 파라미터의 개수는 몇 개인가요?A1. 1010;100 * 100 + 10 Q2. 케라스의 Dense 클래스를 사용해 신경망의 출력층을 만들려고 합니다. 이 신경망이 이전 분류 모델이라면 activation 매개변수에 어떤 활성화 함수를 지정해야 하나요?A2. sigmoid;출력층의 뉴런의 한 개이고 선형 방정식의 결과를 확률로 변경하기 위해 sigmoid 를 이용 Q3. 케라스 모델에서 손실 함수와 측정 지표 등을 지정하는 메서드는 무엇인가요?A3. compile(); loss 매개변수로 손실함수를 지정하고, metrics 매..

📜기본 숙제 : k-평균 알고리즘 작동 방식 설명하기 1️⃣ 무작위로 k개의 클러스터 중심을 정한다.2️⃣ 각 샘플에서 가장 가까운 클러스터 중심을 찾아 해당 클러스터의 샘플로 지정한다.3️⃣ 클러스터에 속한 샘플의 평균값으로 클러스터 중심을 변경한다.4️⃣ 클러스터 중심에 변화가 없을 때까지 2번으로 돌아가 반복한다. 📜 추가 숙제 : Ch.06(06-3) 확인 문제 풀고, 풀이 과정 정리하기 Q1. 특성이 20개인 대량의 데이터셋이 있습니다. 이 데이터셋에서 찾을 수 있는 주성분의 개수는 몇 개일까요?A1. 20 ;특성의 개수만큼 주성분을 찾을 수 있다. Q2. 샘플 개수가 1000개이고 특성 개수는 100개인 데이터셋이 있습니다. 즉 이 데이터셋의 크기는 (1000, 100)입니다. 이 데이터를..

📜기본 숙제 : 교차 검증을 그림으로 설명하기   📜 추가 숙제 : Ch.05(05-3) 앙상블 모델 손코딩 코랩 화면 인증하기 아래 내용 정리에서 확인하실 수 있습니다.   🔖  Chap05. 트리 알고리즘 5.1 결정 트리1) 로지스틱 회귀로 와인 분류하기 - 설명하기 쉬운 모델과 어려운 모델 2) 결정 트리 - 트리의 높이를 제한하고, 어떤 특성으로 나뉘는지 정보 추가- 불순도결정 트리 모델은 부모 노드와 자식 노드의 불순도 차이가 최대한 크도록 트리를 성장시킴지니 불순도 = 1 - (음성 클래스 비율2 + 양성 클래스 비율2)정보 이득 :  부모와 자식 노드 사이의 불순도 차이엔트로피 불순도 : -음성 클래스 비율 * log2(음성 클래스 비율) - 양성 클래스 비율 * log2(양성 클래스..

📜기본 숙제 : Ch.04(04-1) 2번 문제 풀고, 풀이 과정 설명하기 Q. 로지스틱 회귀가 이진 분류에서 확률을 출력하기 위해 사용하는 함수 A. 시그모이드 함수;하나의 선형 방정식의 출력값을 0~1 사이의 값으로 압축 📜 추가 숙제 : Ch.04(04-2) 과대적합/과소적합 손코딩 코랩 화면 캡쳐하기 🔖  Chap04. 다양한 분류 알고리즘4.1 로지스틱 회귀1) 럭키백의 확률- 데이터 준비하기-  K-최근접 이웃 분류기의 확률 예측 2) 로지스틱 회귀- 선형 회귀와 동일하게 선형 방정식을 학습이진분류 : 시그모이드하나의 선형 방정식의 출력값을 0~1 사이의 값으로 압축 - 로지스틱 회귀로 다중 분류 수행하기다중 분류 : 소프트맥스여러 개의 선형 방정식의 출력값을 0~1 사이로 압축하고 전체..

📜기본 숙제 : Ch.03(03-1) 2번 문제 출력 그래프 인증하기   📜 추가 숙제 : 모델 파라미터에 대해 설명하기 머신러닝 모델이 특성에서 학습한 파리미터 🔖  Chap03. 회귀 알고리즘과 모델 규제3.1 K-최근접 회귀 알고리즘- 회귀 : 임의의 수치를 예측- K-최근접 이웃 회귀예측하려는 샘플에 가까운 샘플 K개를 선택선택된 샘플들의 평균으로 예측값 반환- 데이터 준비- 결정계수(R2)R2 = (타깃-예측)2의 합 / (타깃-평균)2의 합- 과대적합 vs 과소적합과대적합 : 훈련세트에만 잘 맞는 모델과소적합 : 훈련세트보다 테스트 세트의 점수보다 높거나 두 점수가 낮은 경우  3.2 선형 회귀- K-최근접 이웃의 한계- 선형 회귀특성이 하나인 경우 어떤 직선을 학습하는 알고리즘- 다항 ..

📜기본 숙제 : 코랩 실습 화면 캡쳐📜 추가 숙제 : Ch.02. (2-1) 확인 문제 풀이정답 : 1 지도 학습 ; 입력과 타깃을 이용해서 훈련을 하고 이를 이용해서 정답을 구하기 때문에 지도 학습이 답입니다.  🔖  Chap01. 나의 첫 머신러닝1.1 인공지능과 머신러닝, 딥러닝- 인공지능 : 사람처럼 학습하고 추론할 수 있는 지능을 가진 컴퓨터 시스템인공일반지능, 강인공지능 : 사람과 구분하기 어려운 지능을 가진 컴퓨터 시스템약인공지능 : 특정 분야에서 사람의 일을 도와주는 보조 역할을 하는 컴퓨터 시스템- 머신러닝 : 자동으로 데이터에서 규칙을 학습하는 알고리즘을 연구한느 분야인공지능의 하위 분야 중 지능을 구현하기 위한 소프트웨어를 담당하는 핵심 분야대표적인 머신러닝 라이브러리 : 사이킷..

포스트맨만 이용해보고 swagger는 처음이라 이해하는 데 시간이 많이 걸렸다. 이해한 바로는 개인은 1. 스프링부트 프로젝트에서 개발2. swagger ui로 테스트 진행 협업은 위에서의 테스트가 성공했다면 json 파일을 swaggerHub에 업로드하는 형태로 진행하는 것 같다. 1. SwaggerHub 가입 2. Swagger UI에서 작업한 api 업로드 이후 내용은 협업하면서 채워나갈 예정이다.