๋น์ง๋ํ์ต ์ธ๋ค์ผํ ๋ฆฌ์คํธํ 10/11 ํ 1. ๋จธ์ ๋ฌ๋ ์์ ์์ ๋ฐ ํ์ต ๋ฐฉ๋ฒ ๋ณ ๋ํ์ ์ธ ์๊ณ ๋ฆฌ์ฆ๋ค 2. GridSearchCV ๊ต์ฐจ ๊ฒ์ฆ๊ณผ ์ต์ ํ์ดํผ ํ๋ผ๋ฏธํฐ ํ๋์ ํ ๋ฒ์ from sklearn.model_selection import GridSearchCV X_train, X_test, y_train, y_test = train_test_split(iris_data.data, iris_data.target, test_size = 0.2, random_state = 121) dtree = DecisionTreeClassifier() # max_depth = ๊ฒฐ์ ํธ๋ฆฌ์ ์ต๋ ๊น์ด, min_samples_splits = ์์ ๊ท์น ๋ ธ๋๋ฅผ ๋ถํ ํด ๋ง๋ค๊ธฐ ์ํ ์ต์ํ์ ์ํ ๋ฐ์ดํฐ ๊ฐ์ parameters = {'max_depth':[1,.. ๋๋ณด๊ธฐ 3/28 ์ ์์์ผ! ๊ธ์์ผ์ ์ด์ด ๋จธ์ ๋ฌ๋ ๋ค์ด๊ฐ๋ค~ Weak AI์ ๋จธ์ ๋ฌ๋ ๊ธฐ๋ฒ๋ค : ์ง๋ ํ์ต, ๋น์ง๋ ํ์ต, ๊ฐํ ํ์ต 1. Regression(ํ๊ท) : ๋ฐ์ดํฐ์ ์ํฅ์ ์ฃผ๋ ์กฐ๊ฑด๋ค์ ์ํฅ๋ ฅ์ ๊ณ ๋ คํด์, ๋ฐ์ดํฐ์ ๋ํ ์กฐ๊ฑด๋ถ ํ๊ท ์ ๊ตฌํ๋ ๊ธฐ๋ฒ * ํ๊ท ์ ๊ตฌํ ๋ ์ฃผ์ํด์ผ ํ ์ : ํ๊ท ์ ๊ตฌํ๋ ๋ฐ์ดํฐ์ ์ด์์น๊ฐ ์์ ๊ฒฝ์ฐ ๋ํ๊ฐ์ผ๋ก ์ฌ์ฉํ๊ธฐ ์ด๋ ค์. ์ ๊ท๋ถํฌ์ฌ์ผ ํจ! ๊ณ ์ ์ ์ ํ ํ๊ท ๋ชจ๋ธ(Classical Linear Regression Model) ๋จ์ ์ ํ ํ๊ท(Simple Linear Regression) import numpy as np import pandas as pd import matplotlib.pyplot as plt df = pd.DataFrame({'๊ณต๋ถ์๊ฐ(x)': [1,2,3.. ๋๋ณด๊ธฐ 1/3 ์ ์ฑ๊ณผ • Baekjoon Online Judge : ์ค๋์ ํ์ด๋ ๋จ๊ณ๋ณ๋ก ํ์ด๋ณด๊ธฐ - for๋ฌธ ๋ฌธ์ 7๊ฐ. 11/11 ์งํ~, while๋ฌธ ๋ฌธ์ 3๊ฐ. 3/3 ์งํ~ ์ค๋์ ๋ฌธ์ ๋ ๋ฐฑ์ค 1110๋ฒ ๋ํ๊ธฐ ์ฌ์ดํด 0๋ณด๋ค ํฌ๊ฑฐ๋ ๊ฐ๊ณ , 99๋ณด๋ค ์๊ฑฐ๋ ๊ฐ์ ์ ์๊ฐ ์ฃผ์ด์ง ๋ ๋ค์๊ณผ ๊ฐ์ ์ฐ์ฐ์ ํ ์ ์๋ค. ๋จผ์ ์ฃผ์ด์ง ์๊ฐ 10๋ณด๋ค ์๋ค๋ฉด ์์ 0์ ๋ถ์ฌ ๋ ์๋ฆฌ ์๋ก ๋ง๋ค๊ณ , ๊ฐ ์๋ฆฌ์ ์ซ์๋ฅผ ๋ํ๋ค. ๊ทธ๋ค์, ์ฃผ์ด์ง ์์ ๊ฐ์ฅ ์ค๋ฅธ์ชฝ ์๋ฆฌ ์์ ์์์ ๊ตฌํ ํฉ์ ๊ฐ์ฅ ์ค๋ฅธ์ชฝ ์๋ฆฌ ์๋ฅผ ์ด์ด๋ถ์ด๋ฉด ์๋ก์ด ์๋ฅผ ๋ง๋ค ์ ์๋ค. ๋ค์ ์๋ฅผ ๋ณด์. 26๋ถํฐ ์์ํ๋ค. 2+6 = 8์ด๋ค. ์๋ก์ด ์๋ 68์ด๋ค. 6+8 = 14์ด๋ค. ์๋ก์ด ์๋ 84์ด๋ค. 8+4 = 12์ด๋ค. ์๋ก์ด ์๋ 42์ด๋ค. 4+2 = 6์ด.. ๋๋ณด๊ธฐ 1/2 ์ผ ์ฑ๊ณผ • Baekjoon Online Judge : ์ค๋์ ํ์ด๋ ๋จ๊ณ๋ณ๋ก ํ์ด๋ณด๊ธฐ - for๋ฌธ ๋ฌธ์ 3๊ฐ. 4/11 ์งํ~ ์ค๋ ์ตํ ๊ตฌ์กฐ์ ๊ฐ๋ ๋ค์ ๋์ดํ์๋ฉด ๋ฐ๋ณต๋ฌธ์ผ๋ก ์ฌ๋ฌ ์ค์ ์ ๋ ฅ๋ฐ๊ฑฐ๋ ์ถ๋ ฅํ ๋๋ ์๊ฐ ์ด๊ณผ๋ก ์ค๋ฅ๊ฐ ๋ฐ์ํ๊ธฐ ๋๋ฌธ์, input() ํจ์ ๋์ ์ sys ๋ชจ๋์ sys.stdin.readline() ํจ์๋ฅผ ์จ์ผ ํ๋ค. ๋จ, ๋ฌธ์์ด์ ์ ์ฅํ๊ณ ์ถ์ ๊ฒฝ์ฐ .rstrip()์ ์ถ๊ฐํ๋ ๊ฒ์ด ์ข๋ค. import sys T = int(input()) for i in range(T): a,b = map(int, sys.stdin.readline().split()) print(a+b) * ์์ฃผ ์ฐ์ด๋ ๋ชจ๋์ ์์๋ณด๊ณ ์ตํ์! https://docs.python.org/ko/3/library/inde.. ๋๋ณด๊ธฐ 1/1 ํ ์ฑ๊ณผ • ์ํ์ฝ๋ฉ ๋ฐ์ดํฐ ๊ณผํ_๋จธ์ ๋ฌ๋1 : ์ค๋ ์ตํ ๊ตฌ์กฐ์ ๊ฐ๋ ๋ค์ ๋์ดํ์๋ฉด ๋จธ์ ๋ฌ๋์ด๋? ๊ฟ ๊ถ๋ฆฌํ๋ ์ต๊ด ๋จธ์ ๋ฌ๋์ ์๋ฆฌ๋ฅผ ์ด์ฉํด์ ์ํ๊ณผ ์ฝ๋ฉ์ผ๋ก ๋ง๋ค์ด์ง ๊ฒ Teachable Machine ๋ชจ๋ธ(ํ๋จ๋ ฅ)์ด ๋จธ์ ๋ฌ๋์ ํต์ฌ, https://teachablemachine.withgoogle.com/ ๋ชจ๋ธ Model ๋ชจ๋ธ์ ๋ง๋๋ ๊ณผ์ ์ ํ์ต(Learning) ๋จธ์ ๋ฌ๋๋จธ์ http://ml-app.yah.ac/(Teachable Machine์์ ์์ฑํ ๋ชจ๋ธ์ ์ด์ฉํด์ ์ ํ๋ฆฌ์ผ์ด์ ์ ๋ง๋ค์ด์ฃผ๋ ์๋น์ค) ๋๋ ์ด์ ํ๋ก๊ทธ๋๋จธ ๋ชจ๋ฅด๋ฉด ๋ง๋ฒ, ์๋ฉด ๊ธฐ์ ์ฌ๋ฌผ ์ธํฐ๋ท(IoT; Internet of Things) ๊ต์์ ๋ ์ง์ ์ ์์ ํ์ค์ ๋ฐ์ดํฐ๋ก ํํํ ์๋ง ์๋ค๋ฉด, ์ปดํจํฐ์ ์์ฒญ๋ ํ์ผ๋ก ๋ฐ์ดํฐ๋ฅผ ์ฒ๋ฆฌํ .. ๋๋ณด๊ธฐ ์ด์ 1 ๋ค์