일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 |
- python
- 정보처리기사실기
- 장고
- Java
- 머신러닝
- 기사자격증
- 리눅스마스터2급2차
- 리눅스자격증
- 코딩
- 정처기기출
- 정보처리기사기출
- 자격증
- 리눅스명령어
- IT
- 리눅스
- 프로그래밍
- Linux
- 공부블로그
- SW
- 정처기
- IT자격증
- C
- 정처기실기
- 리눅스마스터2급
- 리눅스마스터
- Django
- 리눅스활용
- 파이썬
- 정보처리기사
- 웹개발
- Today
- Total
목록분류 전체보기 (93)
Tech Trail
1. bash 환경에서 아래 명령의 실행 결과에 대한 설명으로 가장 적절한 것은? export PATH=$PATH:/etc ⓵ 기존의 경로(PATH)를 제거하고 새로운 경로를 추가하였다. ⓶ 기존의 경로(PATH)에 /etc라는 새로운 경로를 추가하였다. ⓷ 잘못된 명령으로, export $PATH=PATH:/etc로 실행하는 것이 옳다. ⓸ 잘못된 명령으로, export PATH=PATH:/etc로 실행하는 것이 옳다. 이 명령은 환경 변수인 PATH에 현재의 경로(PATH)를 유지한 채로 /etc 경로를 추가하는 것입니다. 따라서 새로운 경로가 기존 경로에 추가됩니다. 2. 리눅스를 설치한 후 부팅을 하였는데, LILO boot: 프롬프트가 나오지 않고 LI 문자만 출력하고 부팅이 이루어지..
Ensemble (앙상블): 여러 개의 분류기를 결합하여 보다 정확한 예측을 얻는 머신러닝 기법입니다. 이를 통해 약한 모델을 조합하여 높은 예측 정확도를 달성할 수 있으며, 적절한 Hyperparameter 튜닝이 필요합니다. Ensemble 기법 Boosting: 이전 학습에 대하여 잘못 예측된 데이터에 가중치를 부여하여 오차를 보완하는 방식으로, 대표 모델로 XGBoost, LightGBM이 있습니다. 순차적인 학습을 통해 오차를 보완하지만 학습 시간이 길 수 있습니다. Stacking: 여러 모델이 예측한 결과 데이터를 기반으로 최종 예측을 수행하는 방식입니다. 이를 통해 성능은 향상될 수 있지만 과대적합을 유발할 수 있습니다. Weighted Blending: 각 모델의 예측값에 가중치를 곱..
머신러닝 주요 알고리즘 scikit-learn: 가장 인기 있는 머신러닝 패키지로, 다양한 머신러닝 알고리즘이 내장되어 있습니다. 머신러닝 주요 알고리즘 분류 회귀 (Regression) 예시: 선형 회귀 (Linear Regression) 코드 예시 from sklearn.linear_model import LinearRegression model = LinearRegression() 분류 (Classification) 예시: 로지스틱 회귀 (Logistic Regression) 코드 예시 from sklearn.linear_model import LogisticRegression model = LogisticRegression() 회귀와 분류 모두 가능 결정 트리 (Decision Tr..
DML(Data Manipulation Language): DDL에서 정의한 대로 데이터를 입력하고, 입력된 데이터를 수정, 삭제, 조회하는 명령어 INSERT: 테이블에 데이터를 입력하는 명령어 INSERT INTO 테이블명 (컬럼명1, 컬럼명2 ...) VALUES (데이터1, 데이터2 ...); INSERT INTO 테이블명 VALUES (전체 컬럼에 입력될 데이터 리스트); Q. 다음 SQL의 결과? [SQL] INSERT INTO (COL2, COL3) VALUES ('S', 'A'); [SAMPLE 테이블] COL1 COL2 COL3 DEFAULT 'D' [결과] 에러가 발생한다. PK(Primary Key)는 NOT NULL 조건이기 때문에 반드시 데이터가 입력되어야 하지만 주어진 S..
서브쿼리 서브쿼리는 하나의 쿼리 안에 존재하는 또 다른 쿼리 메인 쿼리의 컬럼이 포함된 서비쿼리를 연관 서브 쿼리, 메인 쿼리의 컬럼이 포함되지 않은 서브쿼리를 비연관 서브쿼리라고 함 ORDER BY 절, INSERT 문의 VALUE 절 등에 사용 가능 다중 행 서브쿼리의 경우 '=' 조건과 함께 사용 불가 다중 컬럼 서브쿼리의 경우 IN 절과 함께 사용 가능 서브쿼리의 위치에 따라 SELECT 절: 스칼라 서브쿼리(Scalar Subquery), 스칼라 서브쿼리는 주로 SELECT 절에 위치하지만 컬럼이 올 수 있는 대부분 위치에 사용 가능. 컬럼 대신 사용되므로 반드시 하나의 값만을 반환해야 함 FROM 절: 인라인 뷰(Inline View), 인라인 뷰는 FROM 절 등 테이블 명이 올 수 ..
테이블(TABLE) 데이터 모델에서 인스턴스에 해당하는 것은 로우, 속성에 해당하는 것은 컬럼 데이터 모델에서 엔터티에 해당 데이터를 저장하기 위해 사용 데이터베이스는 일반적으로 여러 개의 테이블로 구성 SELECT문 저장되어 있는 데이터를 조회하고자 할 때 사용하는 명령어 SELECT 컬럼1, 컬럼2, ... FROM 테이블 WHERE 컬럼1 = '아무개'; 컬럼을 따로 명시하지 않고 *(asterisk)를 쓰면 전체 컬럼이 조회되며, 조회되는 컬럼의 순서는 테이블의 컬럼 순서와 동일하다. 그리고 WHERE 절이 없으면 테이블의 전체 Row가 조회됨 테이블명이나 컬럼명에 별도의 별칭(Alias)을 붙여줄 수 있는데, 테이블명에 Alias를 설정했을 경우 테이블명 대신 Alias를 사용해야 함 ..
모델링이 갖춰야 할 조건 현실세계 반영 단순화하여 표현 관리하고자 하는 데이터를 모델로 설계 데이터베이스 모델링 세 가지 특징 추상화 단순화 명확화 데이터 모델링 세 가지 관점 데이터 관점 프로세스 관점 데이터와 프로세스의 상관 관점 데이터 모델링의 세 가지 단계 개념적 데이터 모델링 논리적 데이터 모델링 물리적 데이터 모델링 데이터 모델링 유의사항(데이터 모델링을 할 때 지양해야 할 점) 중복 -> 같은 데이터가 여러 엔터티에 중복되어 저장되지 않도록! 비유연성 -> 어플리케이션과 데이터 간 연계성이 높으면, 어플리케이션 변경될 때마다 데이터 모델도 변경해야 함 ㅠㅠ 데이터 모델과 프로세스를 분리하여 유연성을 높여야 함! 비일관성 -> 데이터 간 일관성을 유지하기 위해 상호..
Node.js (nodejs.org) Node.js는 JavaScript를 실행할 수 있는 환경으로, 웹 서버와 같은 네트워크 애플리케이션을 만들 때 유용한 다양한 모듈과 기능을 제공합니다. 이를 위해 문서화된 Node.js 공식 문서(Manual & Documentation)를 사용할 수 있습니다. 위 링크를 타고 docs 에 들어오면 모듈들에 대한 설명이 나오는데, 아래는 제공된 코드 조각과 그에 대한 설명입니다. const http = require('http'); const hostname = '127.0.0.1'; const port = 1337; http.createServer((req, res) => { res.writeHead(200, { 'Content-Type': 'text/pl..