코딩하는 짱구

제조업 디지털 전환의 핵심 = "제조 데이터", "인공지능 기술" 유럽연합의 공통정책을 집행하는 유럽위원회는 제조 AI 적용을 위한 KPI를 5가지(AI 인식, AI 채택, AI 소싱, 내부 및 외부 장애물)로 제시하였으며, 세계경제포럼은 제조업의 생산 시스템에 있어 가장 큰 잠재력을 지닌 4차 산업혁명 기술로 제조 AI를 제시하였습니다. 제조데이터란?: 제조기업이 제품의 기획, 설계, 제조, 공장을 운영하는 과정에서 발생한 디지털 자료를 의미합니다.-> 생산성 향상, 품질 개선, 비용절감, R&D 시간단축, 에너지 절감을 견인하는 디지털 자산으로 자리매감 하고 있습니다. https://www.kamp-ai.kr/intro 인공지능 제조 플랫폼 www.kamp-ai.kr => KAMP의 제조데이터 라이브..

파일명에 한글이 들어가면 이러한 오류가 뜬다. 영어로 바꿔서 해결!

vs code에서 가상환경만들기 Terminal에서 실행하기 1. 가상환경 생성 conda activate myenv 2. 확인 conda env list * 모양으로 현재 위치를 나타낸다 3. myenv 사용하겠다. conda activate myenv 앞에 (myenv)가 뜨면 끝! 가상환경 변경 시 conda activat oaho.tistory.com 가상환경을 만들었다면 다음과 같이 Terminal에서 실행하기 1. 필요한 라이브러리 설치 pip install -r requirements.txt 2. 장고 구동하기 python manage.py runserver 잘 구동하면 자신이 만든 페이지 주소의 url이 뜬다.

Terminal에서 실행하기 1. 가상환경 생성 conda activate myenv 2. 확인 conda env list * 모양으로 현재 위치를 나타낸다 3. myenv 사용하겠다. conda activate myenv 앞에 (myenv)가 뜨면 끝! 가상환경 변경 시 conda activate ~ 다시 입력하면 된다. 가상환경으로 장고 구동하기 vs code에서 가상환경만들기 Terminal에서 실행하기 1. 가상환경 생성 conda activate myenv 2. 확인 conda env list * 모양으로 현재 위치를 나타낸다 3. myenv 사용하겠다. conda activate myenv 앞에 (myenv)가 뜨면 끝! oaho.tistory.com

1.Logistic from sklearn.linear_model import LogisticRegression 2. DecisionTree from sklearn.tree import DecisionTreeClassifier 3. RandomForest from sklearn.ensemble import RandomForestClassifier 4. XGBoost import xgboost as xgb xgb_model = xgb.XGBClassifier() 5. Light GBM from lightgbm import LGBMClassifier 6. LinearRegression from sklearn.linear_model import LinearRegression

딥러닝 layers 라이브러리 불러오기 from tensorflow.keras.layers import Dense, Dropout ▪분류 모델 model.add(Dense(3, activation='softmax')) model.compile(loss='categorical_crossentropy', metrics=['accuracy'], optimizer='adam') ▪ 선형 회귀 model.add( Dense(1, activation='linear')) model.compile(loss='mse', optimizer='adam', metrics=['mse', 'mae']) ▪ 로지스틱 회귀 model.add(Dense(1, activation='sigmoid')) model.compile(loss=..

데이터의 정규분포화와 표준화는 모델 성능을 개선하고, 변수 간 상관관계와 이상치를 제거할 수 있으며, 머신 러닝 알고리즘에 맞는 입력 데이터를 생성할 수 있도록 도와줍니다. # 라이브러리 임포트 from sklearn.preprocessing import StandardScaler # StandardScaler 적용 sc = StandardScaler() X_train = sc.fit_transform(X_train) X_test = sc.transform(X_test) train dataset을 정규 분포화(fit_transform) 했던 걸로 test dataset에 표준화(transform) 해야 합니다.

📌 Label Encoding : 범주형 변수를 0부터 N-1까지의 숫자로 변환합니다. 문제점 : 예를 들어, 변수 간의 관계가 없는 경우, 인코딩 된 숫자가 변수 간의 관계를 표현하며, 모델이 이러한 쓸모없는 관계를 이해하려고 시도할 수 있습니다. 그리고 변수의 값이 크거나 작은 경우, 변수의 중요도가 부작용을 일으킬 수 있습니다. 예제 코드: from sklearn.preprocessing import LabelEncoder le = LabelEncoder() encoded_labels = le.fit_transform(['good', 'good', 'bad', 'average']) 📌 One-hot Encoding 범주형 변수를 이진 벡터로 변환합니다. 이진 벡터는 한 가지 확실한 답을 가지며, 모..

"df"DataFrame의 데이터 결측치 처리 컬럼 column1, column2, column3, column4, column5 ,,, 있다고 가정 ▪ 컬럼(column) 1개 삭제 .drop() df.drop("column", axis=1, inplace=True) df.drop(['column'], axis=1) df.drop(columns=['column'], inplace=True) ▪ 컬럼 여러개 삭제 df = df.drop(columns=['column1', 'column2', 'column3' ]) df = df.drop(['column1', 'column2','column3'], axis=1) ▪ "df"DataFrame의 "column1" 컬럼에 "_"값이 있는지 확인 df["colum..

"df" DataFrame의 데이터의 구성 확인 ■ 앞부분 5줄 출력 df.head() ■ 뒷부분 5줄 출력 df.tail() ■ 데이터프레임 정보(컬럼정보, Null 여부, 타입)출력 df.info() ■ 데이터프레임의 계산 가능한 값들에 대한 통계치 확인 df.describe() ■ df1 데이터프레임 컬럼들의 데이터타입을 확인 df.dtypes ■ 컬럼 항목에 Null 존재하는지 확인 df.isnull().sum() ■ 지정 컬럼(column)에 대한 데이터 확인 df['column'] ■ 지정 컬럼(column) 데이터 별 건수를 나열 df['column'].value_counts() ■ 지정 컬럼(column) 데이터 별 건수 비율 df['column'].value_counts(normalize..