파이썬 썸네일형 리스트형 [colab] 코랩 노트에 이미지를 넣는 간단한 방법 Python 구현 환경을 지원해주는 colab markdown을 이용해서 이미지를 넣는 방법을 알게 되서 공유하려고 합니다. 요런식으로 이미지를 colab 노트에 띄우고 싶었어요. 이미지 :  찾아보니까 markdown에 요런식으로 입력해주면 바로 적용됩니다. 여기서 이미지 위치는 다른 tistory의 이미지 주소 복사 버튼을 클릭해서 발췌한 주소를 이용했어요.  위와 같이 코드를 입력해주고 .. 더보기 [Python] describe() 결과값 해석하는 법 | 기술 통계량 파이썬 공부를 하다보면 자주 만나게 되는 describe 함수 데이터 분석에서 유용하게 사용되는 메소드이다. 이 describe 메소드가 반환하는 결과를 해석하는 법을 공부했다. 인터넷의 예제를 따라치면서 공부하다가 describe를 해서 dataset 결과를 확인했다. 아 이게 뭐야.. 대체 모르겠다. 보통 describe를 실행하면 count, min, max, sum 등이 나올걸 예상했는데 신기한 feature 들이 있다. 각각의 의미를 살펴보자 count : 말그대로 각 필드값의 개수이다. unique : 각 필드의 고유값의 개수이다. 이 개 맞는 말이면 class 라는 필드는 딱 2개의 고유값을 가진 것이 된다. dataset.head() dataset['class'] # class 행만 가져오.. 더보기 잠재요인 협업 필터링의 원리를 정리해보자 잠재요인 협업 필터링 : 사용자 - 아이템 평점 행렬에 잠재된 어떤 요인이 있다고 가정하고, 행렬 분해를 통해 그 요인을 찾아내는 방식을 말함 잠재요인이 뭔지 구체적 정의는 어렵다 행렬 분해 ? 원본행렬을 분해한 후 내적 곱 결과를 구한다. 사용자 - 잠재 요인 행렬 / 아이템 -잠재요인 행렬의 전치 행렬 (잠재요인 - 아이템 행렬) 로 분해된 데이터셋을 다시 내적 곱으로 결합하면서 사용자가 예측하지 않은 아이템에 대한 평점을 도출하는 방식을 이용한다. 행렬 분해로 추출되는 잠재요인이 어떤 것인지는 알 수 없지만, 예를 들어 영화 평점 기반의 사용자 - 아이템 행렬 데이터라면 영화가 가지는 장르별 특정 선호도로 가정할 수 있다. 즉, 사용자 - 잠재 요인 행렬은 사용자의 영화에 대한 선호도로, 아이템- .. 더보기 지도학습 tree 분류기 #Decision Tree Review from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier import pandas as pd iris = load_iris() #iris.target=pd.get_dummies(iris.target) #iris.target=iris.target.idxmax(axis=1) X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=11) # 학습 mod.. 더보기 [파이썬 머신러닝 완벽가이드] 파이썬 머신러닝 개요 및 SW 설치 * 파이썬 기반 머신러닝의 특징 및 장점과 구성요소 1) R과 Python 비교 - 통계 분석 관점 R : 통계분석 측면에서 더 나음. Python : 라이브러리가 굉장히 많음 이제 머신러닝을 시작하려는 사람이라면, R보다는 파이썬 권장 2) ML(Maching Learning) + Python 강점 - 뛰어난 확장성, 연계, 호환성 - 분석 영역을 넘어서 ML 기반의 Application 개발이 쉽게 가능 - 기존 Application 과의 연계도 쉬움 (서로 다른 언어로 개발된 Application의 경우 REST API) * REST API(RESTful API, 레스트풀 API)란 REST 아키텍처의 제약 조건을 준수하는 애플리케이션 프로그래밍 인터페이스를 뜻함 3) Deep Learning 으로.. 더보기 이전 1 다음
