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 | 29 | 30 | 31 |
- bean
- 제이쿼리
- javascript
- 하이브리드앱
- 리액트
- ES6
- 어노테이션
- 스프링
- data structure
- Deep Learning
- jQuery
- react
- 캐시
- Machine Learning
- 자료구조
- AWS
- 테스트 커버리지
- spring
- JPA
- 자바스크립트
- cache
- C++
- log4j2
- Test Coverage
- 구버전
- annotation
- Java
- kotlin
- 스프링 부트
- spring boot
- Today
- Total
목록전체 글 (35)
박서희연구소
데이터베이스의 성능성능 이슈는 Disk I/O를 어떻게 줄이느냐에서 시작되는데, Disk I/O란 Disk Drive의 Platter(원판)를 돌려서 읽어야 할 데이터가 저장된 위치로 Disk Header를 이동시킨 다음 데이터를 읽는 것을 의미한다.이 때 데이터를 읽는데 걸리는 시간은 Disk Header를 움직여서 읽고 쓸 위치로 옮기는 단계에서 결정된다. 즉 Disk의 성능은 Disk Header의 위치 이동 없이 얼마나 많은 데이터를 한 번에 기록하느냐에 따라 결정된다고 볼 수 있다.그렇기 때문에 순차 I/O가 랜덤 I/O보다 빠를 수 밖에 없으며, 현실에서는 대부분의 I/O 작업이 랜덤 I/O 랜덤 I/O를 순차 I/O로 바꿔서 실행하는 것에서 연결지어 데이터베이스 Query Tuning은 랜덤..
Python shape : 튜플 값 return import numpy as np arr = np.array([[12, 20], [13, 15]]) print(arr.shape) # (2, 2) NumPy numpy.c_ : 두번째 축(axis 1)을 따라 열 방향으로 결합 import numpy as np np.c_[np.array([1, 2, 3]), np.array([4, 5, 6])] ''' array([[1, 4], [2, 5], [3, 6]]) ''' np.c_[np.array([[1, 2, 3]]), 0, 0, np.array([[4, 5, 6]])] # array([[1, 2, 3, ..., 4, 5, 6]]) numpy.linalg.solve : Ax=B 형태의 선형 방정식 시스템을 풀 ..
Neural Network을 훈련할 때, 중요한 몇가지가 있다. 예를 들어 m개의 training sample의 training set가 있을 때, training set를 처리하는 익숙한 방법은 아마 for문을 이용해 m개의 데이터를 일일히 보는 방법일 것이다. 하지만 for문을 굳이 사용하지 않고 처리하길 원한다. Logistic Classification에 대해 알아보겠다. Logistic Classification은 Binary Classification을 위한 알고리즘이다. 예를 들어, 고양이 사진이 주어졌을 때 1(cat)인지 0(non cat) 중 어떻게 분류했는지 출력하기를 원하고 이때 y로 출력 레이블을 표시한다. 사진이 컴퓨터에 저장되는 방식을 보면, Red, Green, Blue의 해..
기본 기호 대문자 소문자 이름 사용 예 대문자 소문자 이름 사용 예 A σ alpha(알파) 계수, 기울기, 가중치 등 𝑁 𝜈 nu(누) B β beta(베타) Ξ 𝜉 xi(크사이) Γ γ gamma(감마) Ο ο omicron(오미크론) Δ δ delta(델타) 변화량, 거리 등 Π 𝜋 pi(파이) Ε ε epsilon(엡실론) 𝑃 𝜌 rho(로) 상관관계, 통계치 등 𝑍 𝜁 zeta(제타) Σ 𝜎 sigma(시그마) Sigmoid 함수, 임의의 함수 등 𝐻 𝜂 eta(에타) 𝑇 𝑇 tau(타우) 임계치 등 Θ 𝜃 theta(세타) 파라미터, 변수 모음 Υ υ upsilon(입실론) Ι ι iota(이오타) Φ 𝜙 phi(파이/피) 𝐾 𝜅 kappa(카파) 𝑋 𝜒 chi(카이) Λ 𝜆 lambda(람다..
Deep Learning의 관심사가 왜 높아졌는지, 그래프를 그리면 쉽게 설명할 수 있다. 가로 축은 어떤 task에 대한 데이터의 양(label이 있는 데이터)을 나타내며, 세로 축은 학습 알고리즘의 성능을 나타낸다. 스팸 메일 분류기, 광고 클릭 수 예상의 정확도, 자율 주행 자동차가 다른 차량의 위치를 파악할 때(Neural Network의 정확도같은)를 예를 들 수 있다. Traditional learning algorithm의 성능은 데이터를 추가하는 동안 성능이 향상되지만, 어느정도 지나면 성능이 정체기에 이름(방대한 데이터로 무엇을 해야 할지 모름) Neural Network의 규모가 커짐에 따라 훈련시킬 수 록 성능이 좋아짐 규모는 Neural Network의 크기, Hidden Unit(..
지금까지 대부분의 Neural Network를 통해 만들어진 경제적인 가치들은 Supervised Learning을 통해 계산이 되었다. Supervised Learning에서 입력 x와 출력 y에 매핑되는 함수를 학습하려 한다. Input(x) Output(y) Application Home features Price Real Estate Ad, user info Click on ad? (0/1) Online Advertising Image Object (1,...,1000) Photo Tagging Audio Text transcript Speech Recognition English Chinese Machine Translation Image, Radar info Position of other c..
6개의 주택이 있으며, 주택의 크기와 가격을 알고 있는 상태에서 주택의 가격을 예측할 수 있는 함수를 만든다고 가정한다. 선형 회귀를 알고 있다면, 직선으로 그래프를 그릴 것임 주택의 가격은 음수가 될 수 없기 때문에 음수에 닿을 직선 대신 선을 꺾어 그려 0으로 끝나도록 함 주택 크기 대비 주택 가격을 예측하는 함수가 그려짐 주택 가격을 예측하는 함수를 간단한 Neural Network으로 생각해볼 수 있음 x라고 불릴 주택의 크기가 신경망의 입력 입력은 작은 원인 노드로 들어감 y라고 불릴 주택의 가격을 출력 작은 원이 Neural Network에서 하나의 뉴런이 되고, 뉴런이 하는 일은 주택의 크기를 입력받아 선형 함수를 계산하고 결과값과 0중에 큰 값을 주택의 가격으로 예측 이런 0에서 증가하는..
1. useSate 소개 Component에 state 변수를 추가할 수 있는 React의 Hook이다. import { useState } from 'react' function App() { const [name, setName] = useState('Alvin') return ( {name} ) } export default App Component의 최상단에서 useState를 호출하여, 위 코드와 같이 state 변수를 선언할 수 있으며, 아래와 같은 규칙을 따른다. array destructuring(배열 구조 분해)를 사용하여, [something, setSomething] 형태의 state 변수 이름을 사용 useState(initialState)는 parameter 값으로 initial..