본문 바로가기

데이터

[통계] 알고리즘의 복잡도 (2) - 알고리즘의 여러 차수 지난 게시글에 이어 알고리즘의 여러가지 차수를 계산하여 비교해보고자 한다. 또한, 피보나치 수열을 예제로 재귀적, 반복적 프로그램을 구현해보고 각각의 효율성을 비교할 것이다. 지난 게시글 2020/12/27 - [Machine Learning/#Statistic] - [통계] 알고리즘의 복잡도 (1) [통계] 알고리즘의 복잡도 (1) 대용량 데이터를 효율적으로 처리하기 위해서는 효율적인 알고리즘이 필수적이다. 같은 기능을 수행하는 알고리즘이라도 시간 효율, 메모리 효율은 다를 수 있다. 이번 게시글에서는 벡터의 내 jiwon-lee-it.tistory.com 1/ 알고리즘의 여러 가지 차수 Input size가 커지거나 복잡한 문제일수록 차수 비교가 중요해짐 eg) 외판원 문제 (traveling sal.. 더보기
[통계] 알고리즘의 복잡도 (1) 대용량 데이터를 효율적으로 처리하기 위해서는 효율적인 알고리즘이 필수적이다. 같은 기능을 수행하는 알고리즘이라도 시간 효율, 메모리 효율은 다를 수 있다. 이번 게시글에서는 벡터의 내적을 수행하는 두 가지 다른 알고리즘을 예로 들어 시간 복잡도 및 메모리 비용을 측정해보고자 한다. 또한, 알고리즘의 복잡도를 측정하기 위하여 Big-O라는 차수에 대해 다룰 것이다. 1/ 프로그램의 복잡도: 내적 # 내적 01 innerproduct = function(v, w) { 02sumvalue = 0 03 04 for (i in 1:length(v)){ 05 sumvalue = sumvalue + v[i] * w[i] 06 } 07 return (sumvalue) 08} a/ 시간 복잡도 b/ 메모리 비용 # 향상.. 더보기
[강의 소개] 서울스마트캠퍼스 "도시문제 분석을 위한 데이터 시각화 및 탐색" -중급 서울스마트캠퍼스는 도시데이터 교육, 스마트 시민랩, 어디나 지원단을 테마로 하는 강의들을 무료로 운영하고 있다. 그 중 "도시데이터 분석을 위한 데이터 시각화 및 탐색" 과정을 선택해 들어보기로 했다. 얼마 전에 7차 과정이 마감되었으며 한 회차 별로 약 한 달의 수강 기간이 주어진다. 교육은 총 6시간으로 구성되어 있으며 마이크로소프트의 Power BI를 분석 툴로 사용한다. 두 섹션의 교육을 수강하면 배운 내용들을 도시문제에 적용하여 직접 분석해보는 프로젝트를 진행할 수 있다. 중급 단계에서는 데이터 수집부터 전처리, 모델링, 시각화 등 데이터 분석의 A to Z를 다룬다. 또, 데이터 분석에서 가장 중요한 정제된 데이터를 얻을 수 있으며 데이터 자체에 대한 충분한 설명이 이루어져 심층적인 지식을 쌓.. 더보기
[Python] 모듈과 그래픽 객체 목표 다양한 기능을 불러서 사용하기 위한 모듈 기능을 이해 다양한 그래픽 객체를 생성하고 변형시켜 애니메이션 만들기 모듈 math 모듈 : sin, cos, tan 등 수학 함수를 제공 random 모듈 : 난수, 무작위 섞기 등의 함수들을 제공 sys, os : 운영체제와 관련된 함수들을 제공 urllib : 인터넷 관련 함수들을 제공 cs1robots : 휴보에 관련된 함수들을 제공 cs1graphics : 그래픽과 관련된 함수들을 제공 cs1media : 사진의 처리와 관련된 함수들을 제공 ☞ 모듈의 정보는 help 함수를 통해 볼 수 있음 help("cs1media") help("cs1media.picture_tool") 모듈 들여오기 ▒ 모듈을 사용하려면 import 키워드 사용 import m.. 더보기
[Python] 함수 인자와 매개 변수 목표 함수에서 사용하는 인자와 매개 변수의 다양한 사용방법을 이해 매개변수의 대상 In [12]: def swap(a, b): ...: a, b = b, a #swap 함수 내부의 매개변수 ...: x, y = 123, 456 In [13]: swap(x, y) #매개변수 a-> 123, b-> 456이 됨 In [14]: print(x, y) #x, y값이 바뀌지는 않음 123 456 ▒ swap함수는 매개변수(parameter)의 값으로 넘겨받은 (a, b)값만 바꾸고 x, y값을 바꾸지 않음 ▒ 한 번 더 접근 In [15]: def swap (a, b): ...: a, b = b, a In [16]: def swap (a, b): ...: (a, b) = (b, a) #정석대로 표기하려면 괄호표시.. 더보기
[통계] 선형회귀 가설과 비용 함수 (출처) inflearn 모두를 위한 딥러닝 - 기본적인 머신러닝과 딥러닝 강좌, Sung Kim Predicting exam score: regression → 학생의 공부시간 대비 성적을 supervised learning하는 경우 Score 범위 : 0~100점 회귀분석을 통해 학습(training)시킴 Regression으로 모델 생성 ☞ 회귀분석 모델을 적용해 학습된 X값 (공부한 시간)을 바탕으로 Y값 (예상 점수)를 예측함 Regression (data) ▤ Linear Hypothesis : 많은 현상들이 linear 형태로 설명됨 공부를 많이 할 수록 시험 점수가 높아짐 집의 크기가 클 수록 가격이 올라감 ▤ 학습 : 그래프 상에서 Training 데이터에 잘 맞는 선을 찾는 것 2차원 .. 더보기
[Framework] TensorFlow의 설치 및 작동법 (출처) inflearn 모두를 위한 딥러닝 - 기본적인 머신러닝과 딥러닝 강좌, Sung Kim Conda에 TensorFlow 설치하는 방법 https://tensorflow-object-detection-api-tutorial.readthedocs.io/en/latest/install.html#tensorflow-cpu Installation — TensorFlow Object Detection API tutorial documentation Install Anaconda Python 3.7 (Optional) Although having Anaconda is not a requirement in order to install and use TensorFlow, I suggest doing so, .. 더보기
[Framework] Tensorflow로 선형회귀 구현하기 (출처) inflearn 모두를 위한 딥러닝, Sung kim 이론 (이전 포스팅 참고) 2019/10/03 - [bigdata/#Machine Learning] - Linear Regression의 Hypothesis와 cost 설명 Lab 2 ▤ 텐서플로우 구동 매커니즘 그래프 Build하기 Session 생성 후 Run Return/ Update의 실행 결과 출력 1. Bulid graph using TF operations #X and Y data x_train = [1, 2, 3] #전 포스트에서 다룬 간단한 그래프 y_train = [1, 2, 3] W = tf.Variable(tf.random_normal([1]), name = 'weight') #W와 b의 값을 정의 b = tf.Varia.. 더보기