DWD

df1 = pd.read_csv('./data/sales1.csv', encoding = 'cp949')df2 = pd.read_csv('./data/sales2.csv', encoding = 'cp949')df3 = pd.read_csv('./data/sales3.csv', encoding = 'cp949')#처음엔 data를 확인해야한다, unique 부터 확인해서 이상한 data가 있는지 확인# info 함수로 data 형태를 보기는 편하지마 나오는게 적다 df1['ORDERID'].unique()df2['PRODUCT_TYPE'].unique()df1['ORDERID'].nunique() #unique의 개수df1['GENDER'].value_counts() #value의 개수 df3.isnull..

> 확률적으로 값이 변하는 수  > 경험적 확률은 데이터를 보고 확률을 판단> 확률 변수와 상수를 구별할 수 있어야 한다. (어렵다)> 24년 11월 27일 오후 3시 32분 아이유의 키 161.74cm는 확률 변수임> 왜냐하면 키를 100번 재면 100개의 키가 나온다. 정확한 키를 측정하는 것이 불가하다. > 확률 변수와 상수가 다른 것은 확률 변수는 분포를 갖는다.  > 오메가는 확률 공간, 나올 수 있는 모든 가짓수 > pandas에서 확률 공간을 의미하는 함수는 df.unique() 임.   > 대문자 평문은 확률 변수, 상수는 스칼라> 두 사건이 동시에 발생할 확률이 각각의 확률의 곱셈이 같으면 독립이다. > 다르면 독립이 아니라 종속이다.   > X가 발생했을 때 Y가 발생할 확률 > 베이지..

> 행렬에서 스칼라는 크기 만으로 나타낼 수 있는 행렬에서의 가장 작 물리량 > Index Location으로 스칼라 값을 가져올 수 있다. df = pd.read_csv(".\data\house_prices.csv", encoding ="cp949")print(df.iloc[2,4])print(df.iloc[2,3] + df.iloc[4,5]) > 벡터는 스칼라를 모아서 표현. > 크기와 방향이 같으면 모두 동일한 벡터 > 리스트는 벡터다 > 열/행 벡터 구분 가능하고 그냥 벡터면 기본적으로 열 벡터를 의미한다.  > 벡터 덧셈, 뺄셈을 하기 위해서는 길이 즉 차원이 같아야 한다. > 벡터의 덧셈, 뺄셈은 기하학적으로 나타낼 수 있다.  > 스칼라가 모여서 벡터, 벡터가 모여서 행렬이 된다. > 소문자..

res = 0 for i in range(0,11): res += i res > res는 result의 약자   > 제곱의 Sigma (합)res = 0for i in range(1,6): res = res + i**2res > 결과가 맞는지 확인하기 위해 print를 활용해서 중간값을 보여줘야 함res = 0for i in range(1,6): res = res+ i**2 print(f'i는 {i}, res는 {res}') print("________________")res > 제곱합이 중요한 이유는 그래프를 그리면 변곡점을 최적점으로 찾기 때문이다. 보통 2차 함수를 사용한다. 3차, 4차는 최적점을 찾기 어려움.  > 결국 미분에서 0이 되는 지점을 찾는 과정.  > 시그..

인공 지능 / 머신러닝 > 인공 지능은 약 인공지능, 강 인공지능, 초인공지능으로 구분 > 약 인공지능(Weak) : 한 가지만 특화된 인공지능 > 강 인공지능(Strong)  : 사람만큼 하는> 초 인공지능(Super) : 사람보다 더 잘하는 > 인공 지능은 규칙 기반이고 if 문에서 시작, 데이터가 없어도 됨> 머신러닝은 인공지능 안에 들어가는 범주이고 데이터 기반으로 컴퓨터가 상황을 정함.> 딥러닝은 머신러닝의 부분집합 > 머신러닝 : 지도 학습, 비지도 학습, 강화 학습> 지도 학습 : 빨/녹 골랐을 때 맞는지 안 맞는지 알려주는 방법, 정답이 있는 데이터> 비지도 학습 : 빨/녹을 모르는 상태에서 골라내는 방법, 정답이 없는 데이터> 지도 학습으로 업무에 써야 함 비지도 학습의 결과가 맞는지 틀..