ODDA

SQL은 데이터베이스 관리 시스템(DBMS)에서 데이터를 조작, 검색하기 위한 표준화된 언어입니다. 특히 데이터베이스에 쿼리(Query)를 보내 원하는 데이터를 가져오거나 삽입할 수 있습니다. 1. 조회를 위한 SELECTSELECT 조회를 원하는 칼럼명 FROM 테이블명*은 모든 칼럼을 출력하여 조회할 때 사용됩니다. ex) sakila.customer 테이블에서 first_name, last_name 칼럼을 조회SELECT first_name, last_name FROM sakila.customer; 2. SQL 쿼리 적는 순서 SELECT - FROM - WHERE - GROUP BY - HAVING - ORDER BY - LIMIT SQL 실행 순서 : FROM - WHERE - GROUP BY ..

HTML과 JAVASCRIPT의 기초를 쌓고자 구구단을 출력하는 코드를 작성했습니다. 사용자로부터 숫자를 입력 받으면 구구단 출력 함수를 통해 결과를 보여주고 단이 바뀔 때마다 이전의 결과 내용을 초기화한 후 다시 새로운 단의 결과를 한번에 화면에 출력시킬 수 있게 하였습니다. 1. 사용자로부터 구구단의 단을 입력 웹 사이트 상에서 사용자가 구구단을 위한 숫자를 입력하는 코드 h1>구구단 출력h1>        label for = "numberInput">단을 입력하세요 : label>    input type="number" id="numberInput" placeholder="1부터 9까지" oninput="Multiplication()">        h2> 결과 : h2>    div id = ..

오차역전파법(Backpropagation)은 딥러닝 모델 학습 중 가중치 매개변수의 기울기를 효과적으로 계산하는 수학적 방식입니다. 딥러닝의 오차역전파법은 손실함수의 비용을 최소화하는 가중치를 구하는 것을 목표로 동작합니다. 이를 위해서, X의 변화에 따른 Y의 변화를 알아보기 위해 계산 그래프를 그리는 것이 중요합니다.   위 이미지는 x*y+z라는 함수를 표현한 계산 그래프입니다. 각각의 매개변수에 값을 대입시켜 함수의 값을 구하는 방식을 딥러닝에서는 순전파라고 부릅니다. 하지만 딥러닝에서 처음에 매개변수에 대입시킨 값이 손실함수의 비용을 최소화하는지는 알 수 없습니다. 따라서 각 매개변수의 기울기를 구해 손실함수의 비용을 최소화하는 값으로 업데이트하는 것이 필요합니다. 그 역할을 하는 것이 오차역전..

적대적 생성 신경망(GAN)은 기존 Computer Vision 분야에서 이미지를 분류, Segmentation 하는 것에서 발전하여 진짜 같은 가짜 이미지를 생성하는데 활용되는 기술입니다. GAN의 궁극적인 목표는 진짜와 가짜를 분류하는 역할을 하는 판별자와 가짜를 생성하는 생성자가 서로 적대적으로 학습하면서 판별자가 더 이상 진짜와 가짜를 분류하지 못하도록 생성자의 학습 성능을 높이는 것입니다.  GAN은 생성자와 판별자 2개의 Neural network로 구성되어 있습니다. 학습 과정은 판별자를 먼저 학습시킨 후 생성자를 학습시키고 다시 판별자를 학습시키는 번갈아 가는 과정을 반복합니다. 생성자 G(Generator)의 역할은 모조 이미지를 생성하는 것입니다. 랜덤 벡터(노이즈) 값을 입력으로 받은..

RNN(Recurrent Neural Network)은 2024.06.27 - [딥러닝] - [3] LSTM(Long Short-Term Memory)에서 언급된 LSTM의 기반이 된 딥러닝 시계열 모델입니다. RNN의 구조와 동작원리, 어떤 문제가 존재하기에 LSTM으로 발전되었는지에 대해 포스트 하겠습니다. RNN의 대상이 되는 시계열 데이터는 시간의 흐름에 의해 관측되며, 현재 상태가 과거 상태에 영향을 받습니다. 이 특징을 활용하여 RNN은 이전 시점의 정보와 현재 입력되는 정보를 반영하여 현재 상태를 갱신하는 구조입니다. 이전 시점의 정보를 반영하는 방법은 은닉층에 이전 시점의 은닉층의 상태와 입력층의 상태를 연산하는 것입니다. 이때 각 layer에서 전달되는 상태를 표현하는 가중치가 필요합니다..

정규화 모델(Regularization)은 머신러닝에서 회귀 계수의 크기를 제어해 과적합을 개선하는 기법입니다. 머신러닝이 극복해야 할 가장 중요한 이슈는 편향과 분산을 조절하여 과적합이 발생하지 않은 예측 정확도가 높은 모델을 구현하는 것입니다.  위 그림처럼 편향(Bias)은 데이터의 치우치는 경향, 예측한 결과가 정답과 일정하게 차이가 나는 정도를 의미합니다. 반면 분산(Variance)은 데이터가 퍼져있는 정도, 즉 머신러닝 모델 예측의 가변성을 뜻합니다. 편향과 분산은 서로 반비례 관계를 가지는 것이 특징입니다. 정규화 모델은 편향과 분산의 반비례 관계에서 오류 값이 최대로 낮아지는 모델을 구축할 때 사용됩니다. 1. Ridge선형 회귀 모델(Linear Regression)에서 예측 정확도는 ..