공학박사의 눈으로 바라본 세상 - MozenWorld -

파이썬, 데이터, 데이터 시각화

Google Colab 기초: 클라우드에서 Python 프로그래밍 시작하기

Google Colab은 데이터 과학자, 연구원, 개발자들이 무료로 머신러닝 모델과 데이터 분석 프로젝트를 클라우드에서 쉽게 실행할 수 있게 해주는 도구입니다. 이 플랫폼은 무료로 제공되며, 구글의 강력한 서버에서 직접 코드를 실행할 수 있는 환경을 제공합니다. 본 글에서는 Google Colab의 기본적인 사용 방법과 몇 가지 유용한 팁을 소개하겠습니다. 목차 1. Colab 시작하기 2. 기본 인터페이스 이해 3. 파일 저장 및 공유 4. 고성능 하드웨어 사용하기 5. 마치며 1. Colab 시작하기 Colab을 사용하기 위해서는 Google 계정이 필요합니다. 계정이 없다면 새로 만들어야 합니다. 원래 가지고 있는 계정 또는 새로 생성한 계정을 이용하여 Google에 로그인합니다. 그 다음에 Goo..

파이썬, 데이터, 데이터 시각화

파이썬 문자열 다루기 - 문자열 관련 함수

파이썬은 다양한 데이터 유형을 쉽게 처리할 수 있는 강력한 내장 함수를 제공하며, 문자열은 파이썬에서 가장 중요하게 다루어지는 데이터 유형 중 하나입니다. 이 글에서는 파이썬에서 사용할 수 있는 주요 문자열 함수들을 살펴보고, 각 함수의 사용 방법과 예시를 알아보고자 합니다. 문자열 처리는 데이터 분석, 웹 개발, 자동화 스크립트 작성 등 다양한 분야에서 필수적인 기능이므로 이러한 문자열 함수들을 숙지하는 것은 매우 중요합니다. 목차 1. '.startswith()'와 '.endswith()' 함수 2. '.split()' 함수 3. '.upper()'와 '.lower()' 함수 4. '.replace()' 함수 5. 마치며 1. '.startswith()'와 '.endswith()' 함수 '.start..

파이썬, 데이터, 데이터 시각화

파이썬 문자열 다루기 - 리스트 순회와 인덱싱

파이썬은 그 유연성과 사용의 용이성으로 인해 프로그래밍 세계에서 빠르게 선호되는 언어 중 하나가 되었습니다. 특히, 리스트를 다루는 방법은 파이썬의 가장 강력한 기능 중 하나입니다. 이 글에서는 리스트 순회와 인덱싱에 초점을 맞추어 파이썬에서 'for문'과 'in 키워드'를 사용하는 방법과 숫자 리스트 및 문자열 리스트의 인덱싱 방법에 대해 알아보겠습니다. 리스트 순회하기 리스트는 파이썬에서 데이터를 순차적으로 저장하는 데 사용되는 가장 기본적인 자료 구조 중 하나입니다. 리스트를 순회한다는 것은 리스트에 저장된 각 항목을 처음부터 끝까지 차례대로 접근하는 과정을 말합니다. 파이썬에서는 이 과정을 간단하고 직관적으로 할 수 있습니다. 가장 기본적인 순회 방법은 'for 루프'를 사용하는 것입니다. my_..

파이썬, 데이터, 데이터 시각화

2D KDE Plot의 특정 면적에 해당되는 지점 및 중심 구하기

1. 2D KDE(Kernel Density Estimation) Plot 2D KDE (Kernel Density Estimation) plot은 두 변수의 결합 분포를 시각화하는 데 사용되는 도구입니다. "KDE"는 연속적인 확률 밀도 함수를 추정하는 데 사용되는 비모수적 방법을 나타냅니다. 이 방법에서 "커널"이라는 스무딩 함수를 사용하여 각 데이터 포인트 주변에 작은 '힐(hill, 언덕)' 또는 '분포'를 생성하며, 이 모든 작은 분포들을 합치면 전체 데이터의 밀도를 나타내는 하나의 부드러운 표면이 생성됩니다. 2D KDE plot의 주요 특징 및 사용 사례는 다음과 같습니다: 데이터의 분포 확인: 2D KDE는 스캐터 플롯과 달리 두 변수의 결합 분포를 보다 명확하게 시각화할 수 있습니다. 데..

파이썬, 데이터, 데이터 시각화

Seaborn 라이브러리를 이용한 KDE Plot 및 2D KDE Plot 그리기

1. Seaborn 라이브러리란? Seaborn은 Python의 데이터 시각화 라이브러리로, Matplotlib을 기반으로 하여 보다 아름답고 의미 있는 데이터 시각화를 위한 편리한 인터페이스를 제공합니다. Seaborn의 주요 특징 및 장점은 다음과 같습니다: 아름다운 기본 스타일: Seaborn은 Matplotlib의 기본 스타일보다 더 현대적이고 세련된 시각화를 제공합니다. 그리고 기본 색상 팔렛트와 테마가 풍부하여 쉽게 사용할 수 있습니다. 데이터프레임 호환: Seaborn은 Pandas의 DataFrame과 매우 잘 통합되어 있으므로 데이터 분석 결과를 직접 시각화하기 쉽습니다. 고급 분포 플롯 도구: 커널 밀도 추정(Kernel Density Estimation, KDE)과 같은 고급 통계 도..

인공지능, 머신러닝, 딥러닝

머신러닝 모델 소개 (5) - 에이다부스트 (AdaBoost)

머신러닝 모델 소개 시리즈의 다섯 번째 글입니다. 에이다부스트(AdaBoost)는 앙상블(Ensemble) 학습 방법 중 하나로, 약한 학습기(Weak Learner)를 여러 개 결합하여 강력한 분류 모델을 구축하는 방법입니다. 에이다부스트는 이전 모델이 잘못 분류한 샘플에 가중치를 부여하여 다음 모델이 이를 보완하도록 학습합니다. 이번 글에서는 에이다부스트의 기본 개념을 소개하고, 파이썬의 Scikit-learn 라이브러리를 사용하여 실제 데이터에 에이다부스트를 적용하는 방법을 알아보겠습니다. 1. 모델 설명 부스팅(Boosting)은 다수의 약한 학습기(weak learner)를 조합하여 모델의 성능을 높이는 앙상블 기법입니다. 약한 학습기는 무작위(random) 추론보다는 정확도가 높으나 학습구조가..

인공지능, 머신러닝, 딥러닝

머신러닝 모델 소개 (4) - 랜덤 포레스트 (Random Forest)

머신러닝 모델 소개 시리즈의 네 번째 글입니다. 랜덤 포레스트(Random Forest)는 앙상블(Ensemble) 학습 방법 중 하나로, 여러 개의 결정 트리(Decision Tree)를 조합하여 더 강력한 분류 모델을 구축하는 방법입니다. 랜덤 포레스트는 과적합(Overfitting)을 줄이고 예측 성능을 향상시키는 데 효과적입니다. 이번 글에서는 랜덤 포레스트의 기본 개념을 소개하고, 파이썬의 Scikit-learn 라이브러리를 활용하여 실제 데이터에 적용하는 방법을 알아보겠습니다. 1. 모델 설명 랜덤 포레스트(Random Forest)는 분류와 회귀에 사용되는 지도학습 알고리즘으로 여러 개의 의사결정나무(Decision Tree)를 조합한 모델입니다. 의사결정나무는 일련의 if-else로 이루어..

인공지능, 머신러닝, 딥러닝

머신러닝 모델 소개 (3) - KNN (K-Nearest Neighbor)

머신러닝 모델 소개 시리즈의 세 번째 글입니다. KNN(K-Nearest Neighbors)은 간단하면서도 강력한 분류 알고리즘으로 알려져 있습니다. KNN은 새로운 데이터를 분류할 때, 해당 데이터 주변 K개의 이웃들을 찾고 다수결 방식을 통해 분류합니다. 이번에는 KNN의 기본 개념을 소개하고, 파이썬의 Scikit-learn 라이브러리를 사용하여 실제 데이터에 KNN을 적용하는 방법을 알아보겠습니다. 1. 모델 설명 K-NN(K-Nearest Neighbor Algorithm)은 간단하지만 높은 정확성을 가져 흔히 사용되는 분류 알고리즘입니다. 간단하게 설명하면, 새로운 데이터가 들어왔을 때 K개의 가장 가까이 있는 데이터들과 비교하여 예측하고 분류하는 알고리즘입니다. 예를 들어, 아래 그림처럼 다..