PostIT

# [AI/Deep Learing] 인공지능을 위한 Deep Learning 준비(다차원 배열의 계산) - 3 이번에는 신경망에서 필요한 다차원 배열에 대해서 알아보겠습니다. ## 다차원 배열 숫자가 한 줄로 늘어선 것이나 직사각형으로 늘어 놓은 것, 3차원으로 늘어놓은 것, N차원으로 나열하는 것을 통틀어 다차원 배열이라고 합니다. ### 1. 다차원 배열을 구현해보겠습니다. import numpy as np a = np.array([1,2,3,4]) print(a) [1 2 3 4] # 배열의 차원 수 확인하기. np.ndim(a) 1 # shape는 튜플을 반환 a.shape (4,) a.shape[0] 4 b = np.array([[1,2],[3,4],[5,6]]) print(b) [[1 2] [..

# [AI/Deep Learing] 인공지능을 위한 Deep Learning 준비(신경망을 위한 시그모이드 함수 구현하기) - 2 1일차에서 퍼셉트론과 계단함수에 대해 알아봤습니다. 이번에는 계단함수와 시그모이드 함수를 비교해보겠습니다. 1일차 계단함수 ## 시그모이드 함수 구현하기import numpy as np import matplotlib.pylab as plt def sigmoid(x): return 1 / (1 + np.exp(-x)) x = np.array([-1.0, 1.0, 2.0]) sigmoid(x) array([ 0.26894142, 0.73105858, 0.88079708]) t = np.array([1.0,2.0,3.0]) 1.0 + t array([ 2., 3., 4.]) 1...

# [Java/Stack/Heap] JAVA의 Stack과 Heap의 이해를 통해 Java의 메모리 관리 - 최근 수정일 : 2017.05.31 ## 1. 배경.C언어를 하시던 선임께서 Python의 Stack과 Heap의 메모리 할당을 정확히 모르겠다는 얘기를 들으면서 정작 이와 관련한 Java에 대한 필수 정보가 부족하다는 사실을 알게되면서 조사를 시작했다.Software는 Hardware와 결국 관련이 깊을 수 박에 없다. 그리고 현재까지 컴퓨터는 무어의 법칙에 의거하여 하나의 CPU 속도가 빨라지는 것이 아니라, 컴퓨터에 들어가는 코어의 개수를 늘려 속도가 빨라지게 하였으나 한계를 맞이하고 있다. 이를 해결하기 위해 최근에 읽은 '7가지 동시성 모델'이란 책의 저자는 멀티 코어의 위기를 벗어나기 ..

# gRPC 적용을 위한 gRPC 분석, gPRC란 무엇인가? ## gRPC란? gRPC는 Google에서 처음 개발 한 공개 소스 원격 프로 시저 호출 (RPC) 시스템입니다. 전송을 위해 HTTP/2를 사용하고 인터페이스 설명 언어로 프로토콜 버퍼를 사용하며 인증, 양방향 스트리밍 및 흐름 제어, 바인딩 차단 또는 차단 해제 및 취소 및 시간 초과 기능을 제공합니다. 그것은 많은 언어에 대한 크로스 플랫폼 클라이언트 및 서버 바인딩을 생성합니다. gRPC에서 클라이언트 응용 프로그램을 로컬 객체 인 것처럼 다른 컴퓨터의 서버 응용 프로그램에서 메서드를 직접 호출 할 수 있으므로 분산 응용 프로그램 및 서비스를보다 쉽게 만들 수 있습니다. 많은 RPC 시스템에서처럼 gRPC는 서비스를 정의하고 매개 변..

# [AI/Deep Learing] 인공지능을 위한 Deep Learning 준비(Perceptron과 신경망) - 1 ## 퍼셉트론(perceptron) 인공신경망의 한 종류로서, 1957년에 코넬 항공 연구소(Cornell Aeronautical Lab)의 프랑크 로젠블라트 (Frank Rosenblatt)에 의해 고안되었다. 이것은 가장 간단한 형태의 피드포워드(Feedforward) 네트워크 - 선형분류기- 으로도 볼 수 있다. 퍼셉트론이 동작하는 방식은 다음과 같다. 각 노드의 가중치와 입력치를 곱한 것을 모두 합한 값이 활성함수에 의해 판단되는데, 그 값이 임계치(보통 0)보다 크면 뉴런이 활성화되고 결과값으로 1을 출력한다. 뉴런이 활성화되지 않으면 결과값으로 -1을 출력한다. 마빈 민스키와..

# [Python/Data Analysis] Numpy 및 Matplotlib 사용하기 - Day 5 import numpy as np import matplotlib.pyplot as plt # 1 - Pyplot example x = np.arange(0,6,0.1) y = np.sin(x) plt.plot(x,y) plt.show() # 2 - Pyplot example a = np.arange(0, 6, 0.1) b1 = np.sin(a) b2 = np.cos(a) plt.plot(a, b1, label="sin") plt.plot(a, b2, linestyle="--", label="cos") # a axis name plt.xlabel("a") plt.ylabel("b") plt.title("..

# [Python/Data Analysis] Numpy 및 Matplotlib 사용하기 - Day 3import numpy as np arr = np.arange(0,11) arr2 = np.arange(0,11) arr array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])arr[8] 8# Slice arr[1:5] array([1, 2, 3, 4]) arr[0:5] array([0, 1, 2, 3, 4]) arr[0:5] = 100 arr array([100, 100, 100, 100, 100, 5, 6, 7, 8, 9, 10])arr2[3:7] = 100 arr2 array([ 0, 1, 2, 100, 100, 100, 100, 7, 8, 9, 10])arr = np.arang..

# [Python/Data Analysis] Numpy 및 Matplotlib 사용하기 - Day 2 import numpy as np from __future__ import division 5/2 2.5 arr1 = np.array([[1,2,3,4], [8,9,10,11]]) arr1 array([[ 1, 2, 3, 4], [ 8, 9, 10, 11]]) arr1 * arr1 array([[ 1, 4, 9, 16], [ 64, 81, 100, 121]]) arr1 - arr1 array([[0, 0, 0, 0], [0, 0, 0, 0]]) 1 / arr1 array([[ 1. , 0.5 , 0.33333333, 0.25 ], [ 0.125 , 0.11111111, 0.1 , 0.09090909]])..

# [Python/Data Analysis] Numpy 및 Matplotlib 사용하기 - Day 1 # [Python/Data Analysis] Numpy 및 Matplotlib 사용하기 - Day 1 import numpy as np list1 = [1,2,3,4] array1 = np.array(list1) array1 array([1, 2, 3, 4]) list2 = [11,22,33,44] lists = [list1,list2] array2 = np.array(lists) array2 array([[ 1, 2, 3, 4], [11, 22, 33, 44]]) array2.shape (2, 4) array2.shape (2, 4) array2.dtype dtype('int64') np.zeros(5..

# 데이터 분석을 위한 파이썬 라이브러리 목록. NumPy는 Numerical Python을 나타냅니다. NumPy의 가장 강력한 기능은 n 차원 배열입니다. 이 라이브러리에는 기본 선형 대수 함수, 푸리에 변환, 고급 난수 기능 및 Fortran, C 및 C ++와 같은 다른 저급 언어와 통합하기위한 도구가 포함되어 있습니다 SciPy는 Scientific Python을 나타냅니다. SciPy는 NumPy를 기반으로합니다. 그것은 이산 푸리에 변환, 선형 대수학, 최적화 및 희소 행렬과 같은 높은 수준의 과학 및 공학 모듈의 다양성을위한 가장 유용한 라이브러리 중 하나입니다. Matplotlib는 히스토그램에서 라인 플롯, 히트 플롯까지 다양한 그래프를 플로팅 할 수있는 ipython 노트북 (ipyt..