공대생 도전 일지

방향 그래프 모든 간선이 방향 간선인 그래프 속성과 구현 진입간선(in-edge)와 진출간선(out-edge)들을 별도의 부착리스트로 보관한다면 진입간선의 집합과 진출간선의 집합을 각각의 크기에 비례한 시간에 순회할 수 있다. 방향 DFS 간선(v,w) 트리간선 : w가 v의 자식이다. 후향간선 : w가 v의 조상이다. 전향간선 : w가 v의 자손이다. 교차간선 : w가 v와 동일하 레벨 또는 직계가 아닌 다음 레벨에 위치한다.강연결성 정점 u와 v에서 서로 도달 가능하다면 강연결 그래프라고 한다.강연결 검사 G의 임의의 정점 v를 선택 G의 v로부터 DFS를 수행 방문되지 않은 정점 w가 있다면 False를 반환 G의 간선들을 모두 역행시킨 그래프 G'을 얻음 G'의 v로부터 DFS를 수..

데이터는 말씀해주시면 언제든지 보내드리겠습니다. import pandas as pd import tensorflow as tf from keras.models import Model from keras.layers import Input, Dense, Flatten, Dropout, LSTM from keras.utils import plot_model, to_categorical import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split data = pd.read_csv('AAPL.csv') 라이브러리와 데이터를 읽습니다. def normalization(x): x_min = ..

여기에 작성하진 않았지만 인코딩 엔코딩으로 모델을 생성하는 것에서 발전된 모델이다. 생성하는 모델이 있고, 그 것을 판단하는 모델이 있다. 생성한 모델에서 나온 것은 판단하는 모델에서 진짜라고 만들어야 하고, 판단하는 모델은 생성된 것은 가짜(0)으로, 진짜 데이터는 진짜(1)로 판단해야한다. 이 과정을 토대로 학습한다. 이번엔 mnist를 활용하여 바로 colab, kaggle 등 사용하기 편한 곳에서 하면 된다. import tensorflow as tf from tensorflow.keras.datasets import mnist from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Batch..

2023.11.30 - [인공지능/공부] - 센서신호, FFT, STFT data를 통해 하중 예측하기 -3 스케쥴러 센서신호, FFT, STFT data를 통해 하중 예측하기 -3 스케쥴러 2023.11.30 - [인공지능/공부] - 센서신호, FFT, STFT data를 통해 하중 예측하기 -2 LSTM 센서신호, FFT, STFT data를 통해 하중 예측하기 -2 LSTM 2023.11.30 - [인공지능/공부] - 센서신호, FFT, STFT data를 통해 하중 yoonschallenge.tistory.com 이전 코드와 달라진 것은 batchNormalization이 추가되었다. 이 함수의 역할은 밑에 사진과 같다. sigmoid를 사용하다보면 널리 퍼져있는 값들은 무시하는 것이 컸다. 그래..

import torch import torch.nn as nn import torch.nn.functional as f import torch.optim as optim from torch.utils.data import TensorDataset from torch.utils.data import DataLoader import numpy as np import matplotlib.pyplot as plt import pandas as pd import torchvision.datasets as dsets import torchvision.transforms as transforms import time device= "cuda" if torch.cuda.is_available() else "cpu" p..

이번에는 CNN을 통한 FCN과 비교이다. CNN코드는 밑에 작성하겠다. import torch import torch.nn as nn import torch.nn.functional as f import torch.optim as optim from torch.utils.data import TensorDataset from torch.utils.data import DataLoader import numpy as np import matplotlib.pyplot as plt import pandas as pd import torchvision.datasets as dsets import torchvision.transforms as transforms import time device= "cuda" ..

저번에 했던 MNIST가 과제로 또 나왔다... 이번에는 발전 과정 까지 다 보고 싶어하셔서 천천히 다 해보았다. pytorch는 어색해서 좀 주저했는데 이김에 많은 방법을 써봤다. import torch import torch.nn as nn import torch.nn.functional as f import torch.optim as optim from torch.utils.data import TensorDataset from torch.utils.data import DataLoader import numpy as np import matplotlib.pyplot as plt import pandas as pd import torchvision.datasets as dsets import tor..

JSP를 사용하기 위해선 밑에 두 코드를 그래들에 넣어야 한다. 스프링 버전은 2이다. implementation 'org.apache.tomcat.embed:tomcat-embed-jasper' implementation 'javax.servlet:jstl' JSP의 시작도 항상 고정되어있다. username: age: 전송 위의 첫줄은 항상 들어가 있어야 한다. 자바 코드를 사용하기 위해서는 로 항상 열고 닫아야 한다. html보다 훨씬 동적으로 사용할 수 있다. 그러나 이렇게 작성하면 코드가 너무 복잡하게 된다. 이 코드를 작성한 사람만 수리할 수 있는.... 그래서 MVC패턴이 나오게 된다 ! controlloer 와 vies로 나온다 controller: HTTP의 요청을 받음, 비지니스 로직을..

2023.11.30 - [인공지능/공부] - 센서신호, FFT, STFT data를 통해 하중 예측하기 -2 LSTM 센서신호, FFT, STFT data를 통해 하중 예측하기 -2 LSTM 2023.11.30 - [인공지능/공부] - 센서신호, FFT, STFT data를 통해 하중 예측하기 센서신호, FFT, STFT data를 통해 하중 예측하기 import tensorflow as tf import numpy as np import pandas as pd from keras.datasets.mnist import load_ yoonschallenge.tistory.com 아직 LSTM에 대해 전문적으로 아는 것은 아니라 글을 적긴 애매하고 스케쥴러에 대해 알아왔다. 아무리 adam이 learnin..

2023.11.30 - [인공지능/공부] - 센서신호, FFT, STFT data를 통해 하중 예측하기 센서신호, FFT, STFT data를 통해 하중 예측하기 import tensorflow as tf import numpy as np import pandas as pd from keras.datasets.mnist import load_data from keras.models import Sequential, Model from keras.layers import Dense, Input ,Flatten, Dropout, Conv2D, MaxPooling2D, GlobalAveragePooling2D,Conv1 yoonschallenge.tistory.com 아직 RNN에 대해 정확히 공부하지 않아 ..