블로그

Feature Importance (특성 중요도)어떤 feature가 예측에 얼마나 기여했는가SHAP (SHapley Additive exPlanations)개별 예측 설명 도구우리가 만든 feature가 실제로 말이 되는지 검증 가능

확률분포 (Probability Distribution)Bernoulli Distribution (베르누이 분포)결과가 딱 2개ex. 광고 클릭 여부Binomial Distribution (이항분포)베르누이를 여러 번 반복ex. 동전 10번 던짐 -> 앞면 몇 번 나왔지?Normal Distribution (정규분포)평균 근처 많고 극단값 적음평균(Mean)분산(Variance) : 얼마나 퍼져있는가표준편차(Standard Deviation) : 분산의 제곱근Uniform Distribution (균등 분포)모든 값 확률 동일ex. 주사위Exponential Distribution (지수 분포)대기시간 모델링 많이 함ex. 콜센터 전화 올 때까지 시간, 서버 장애 발생 간격 Central Limit Th..

Bag of Words단어 등장 횟수 세기Embedding단어(token)를 의미를 가진 벡터(vertor)로 변환의미를 숫자 공간으로 변환하는 것비슷한 단어는 비슷한 위치에 배치Word2Vec유명한 초기 embedding단어 주변 단어 예측하면서 의미 공간 학습왕 - 남자 + 여자 = 여왕FastTextsubword까지 고려BERT Embedding문맥(context) 반영BERT는 Encoder Transformer Attention문장에서 중요한 단어에 집중(attend)하는 메커니즘Transformer2017 논문 Attention is All You Need 에서 나온 구조기존 RNN보다 병렬 처리 잘 되고 긴 문맥 이해 잘함-> RNN은 한 글자씩 읽어 느리고 기억 약함문장을 순차적으로 보지 ..

Loss Function손실 함수 -> 얼마나 틀렸는지 숫자로 표현Gradient Descent (경사하강법)산 내려가기에 비유하면 가장 낮은 지점 찾기현재 위치에서 가장 가파르게 내려가는 방향으로 조금 이동하는 것을 방법`Gradient`: 어느 방향으로 가야 loss가 줄어드는가를 알려주는 값Learning Rate얼마나 크게 이동할지Backpropagation (역전파)출력 error를 뒤로(back) 전파(propagation) 하면서 각 layer weight 수정 Forward Pass (입력 넣어서 예측)-> Loss 계산 (얼마나 틀렸는지 계산)-> Backpropagation (오차 뒤로 전달)-> Gradient Descent (weight 수정)반복 Optimizerweight를 어떻..

Ensemble여러 모델 힘 합치기Bagging병렬로 여러 모델Random ForestBoosting순차적으로 오류 보완XGBoost, LightGBM, CatBoostStacking여러 모델 결과를 또 다른 모델이 학습 Random Forest트리 여러 개 평균 Gradient Boosting틀린 거 계속 보완 XGBoost, LightGBM, CatBoost XGBoost이전 모델이 틀린 부분을 계속 학습, 오답노트 머신XGBoost 계열: Decision Tree, Random Forest, Gradient BoostingGradient Boosting트리를 순서대로 만들면서 이전 모델의 실수를 보완함XGBoostGradient Boosting을 엄청 잘 최적화한 강력한 버전정교한 오답노트 머신Li..

코호트 분석 (Cohort Analysis)비슷한 시기에 들어온 사람들을 묶어서 보는 분석리텐션 분석 (Retention Analysis)사람들이 얼마나 다시 돌아오는가ex) D1 Retention, D7 Retention, D30 Retention서바이벌 분석 (Survival Analysis)언제 이탈하는가를 분석Kaplan-Meier시간에 따라 얼마나 살아남았는지 보여주는 생존 곡선-> Kaplan-Meier Curve Censoring (검열 데이터)결과를 아직 끝까지 관측 못한 데이터Leakage예측 대상에 대한 정보가 학습 데이터에 미리 포함되어 버리는 현상예측 시점에는 알 수 없는 정보가 학습 데이터에 섞인 상태Hazard Rate지금 시점에서 죽을 위험도 TP (True Positive)실..

FastAPI는 Python으로 REST API를 만드는 웹 프레임워크다. 공식 문서에서 강조하는 특징은 크게 두 가지인데, 타입 힌트 기반 자동 검증과 Swagger 문서 자동 생성이다. 실제로 코드를 보면 왜 그게 강점인지 바로 이해된다.앱 생성from fastapi import FastAPIapp = FastAPI( title="My API", docs_url="/docs", # 이 경로에서 Swagger UI 확인 가능)FastAPI() 인스턴스 하나가 곧 애플리케이션이다. docs_url을 설정해두면 코드를 짜는 동시에 /docs에서 브라우저로 API를 테스트할 수 있다. 별도 문서 작업이 필요 없다.엔드포인트 정의@app.get("/items")async def get_items..

1. EC2 인스턴스를r4.large에서 r4.4xlarge로 확장하는 것은 .....................(이)라고 합니다.- 수직 확장성 2. EC2 인스턴스의 수를 스케일링하는 오토 스케일링 그룹을 실행하는 것은 .....................(이)라고 합니다.- 수평 확장성 3. Elastic Load Balancer는 .......................(을)를 제공합니다.- 애플리케이션에 사용 가능한 정적 IPv4- 애플리케이션에 사용 가능한 정적 DNS 이름- 애플리케이션에 사용 가능한 정적 IPv6=> AWS에서 관리하는 기반 인프라가 변경되었다고 하더라도, AWS가 정적 엔드 포인트를 사용해 로드 밸런스로 액세스할 수 있기를 원하는 이유입니다. 4. Elastic Lo..

React 핵심 패턴 이해📌 반응형 데이터 관리 (useState)const [count, setCount] = useState(0);// 상태가 바뀌면 → 자동으로 리렌더링Vue의 ref()와 같은 개념. 데이터 바뀌면 화면도 자동 업데이트📌 이벤트 핸들링function handleClick() { setCount(count + 1);}클릭// 주의: onClick={handleClick()} ← 이렇게 하면 안됨 (즉시실행)📌 조건부 렌더링// 삼항연산자{isLogin ? : }// && 연산자{isLoading && }📌 리스트 렌더링{items.map((item) => ( {item.name} // key 필수!))}key가 없으면 React가 어떤 요소가 바뀐지 추적 못함📌 입..

새로 산 후라이팬, 그냥 바로 써도 될까 고민되는 경우 많죠.결론부터 말하면 한 번만 제대로 세척하고 간단히 길들이기 해주면 바로 사용 가능합니다.아래 순서대로 따라 하면 깔끔하게 준비 끝입니다.1. 기본 세척 (필수)먼저 해야 할 건 간단한 세척입니다.- 미지근한 물 + 주방세제로 세척- 부드러운 스펀지 사용 (철수세미 ❌)- 깨끗이 헹군 뒤 물기 제거👉 제조 과정에서 남아 있을 수 있는 기름이나 이물질 제거용입니다.2. 냄새 제거 (선택)새 팬에서 금속 냄새나 코팅 냄새가 날 수 있습니다.- 물 + 식초를 넣고 2~3분 끓이기- 물 버리고 다시 헹군 뒤 건조👉 꼭 필수는 아니지만, 냄새가 신경 쓰이면 해주면 좋습니다.3. 길들이기 (코팅팬 기준)코팅팬은 간단한 길들이기로 수명을 늘릴 수 있습니다...