Rabbit's efficient coding 🖥️🐇 & 금융

Lambda 인수를 여러개 사용할 수 있지만 표현식을 하나만 가질 수 있는 익명 함수 람다함수를 사용하는 이유다른 함수 내에서 익명함수를 사용할때 더 잘 드러난다 #1) q = lambda a: a + 10 print(q(5)) #=> 15  #2) 인수 a,b를 요약하고 결과를 리턴 x = lambda m, n, b : m + n + b print(x(5,6,3))  #3) 동일한 함수를 정의하여 동일한 프로그래밍에서 두기능을 만듭니다 함수를 만들고 변수 두개를 설정하여 값을 리턴def cuc(n):     return lambda z : z * n mydoubler = cuc(2) mytripler = cuc(3)  print(mydoubler(11)) print(mytripler(11))

Python RegEx [정규식] - 검색 패턴을 형성하는 일련의 문자 - 문자열에 지정된 검색 패턴이 포함되어 있는지를 확인할 수 있습니다 - 내장패키지이며 아래와 같이 사용한다  import re #문자열을 검색하여 The로 시작하고 Spain으로 끝나는지 확인합니다  txt = "The rain in Spain" x = re.search("^The.*Spain$",txt) if x:     print("Yes! match!") else:     print("No match")   정규식 함수1) findall : 모든 일치 항목이 포함된 목록을 리턴 2) search : 문자열에서 일치하는 항목을 검색하고 일치하는 항목이 있으면 Match객체를 리턴 3) split : 일치할때 마다 문자열이 분할된..

from datetime import datetime %a : 평일 짧은 버전 ex)mon %A : 평일 full 번전 ex)monday %w : 주 넘버 0-6 0 is sunday %d : day of month 01-31 %b : 달 이름 숏 버전 %B : 달 이름 풀 버전 %m : 1년 12달 01-12 %y : 년도 숏버전 (세기를 뺸) ex)23 %Y : 년도 풀버전 %H : Hour 시간 00-23 %I : Hour 시간 00-12 %p : 오전이냐 오후냐 AM/PM %M : Minute 00-59 분 %s : Second 00-59 초 %f : 마이크로초 000000-999999 %z : utc offset => 세계협정시 간격 %Z : Timezone %j : 년 365 %U : 일요일이..

local repository : 내 pc에서 관리하는 깃(git)저장소  remote repository : local저장소를 업로드하는곳 ex) 깃허브(github)  clone 클론 : 명령어로 기존 원격 저장소를 로컬에 받을수 있음  working directory : 작업이 일어나는 폴더  staging area : 작업폴더에서 변경 내용을 기록하는곳  (git저장소에서 commit하기 전에 올려두는 공간)  #status 커밋된 파일 & 스테이지에 있는 파일 : tracked 그 외 untracked  $ git status  #add 작업폴더에서 작업한 변경을 스테이지에 올릴때(커밋하기 직전에) 사용하는 명령어 add한 파일이 tracked 상태가 됨(git 관리하는 대상이 됨)  #comm..

install : pip install prophet위 에러 발생시 : conda install -c conda-forge prophet  임포트하기 import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport randomimport seaborn as snsfrom prophet import Prophet    아보카도 데이터   프로펫 분석을 위해, 두개의 컬럼만 가져오기 ('Date', 'AveragePrice') avocado_prophet_df = df[['Date','AveragePrice']]  avocado_prophet_df DateAveragePrice02015-01-041.3312015-01-041.3522015..

BASE MODEL HEAD MODEL - 트랜스퍼 러닝은, 학습이 잘 된 모델을 가져와서 우리의 문제에 맞게 활용하는 것이므로 학습이 잘 된 모델의 base model만 가져온다 즉, head모델은 빼고 가져와서 사용자가 직접 head모델을 예측하는 것이다. 트랜스퍼 러닝의 과정은 다음과 같다 설치하기 !pip install tensorflow-gpu==2.0.0.alpha0 !pip install tqdm Dogs vs Cats dataset 다운로드받기 !wget --no-check-certificate \ https://storage.googleapis.com/mledu-datasets/cats_and_dogs_filtered.zip \ -O ./cats_and_dogs_filtered.zip 임..

CNN은 컨볼루션 계층(convolutional layer)과 풀링 계층(pooling layer)으로 구성된 신경망이다. 1. 컨볼루션 계층은 입력 이미지에 대해 필터(또는 커널)를 사용하여 입력 데이터를 변환하는 계층이다. 이 필터는 입력 이미지의 특정 패턴을 감지하는 역할을 합니다. 예를 들어, 가장자리, 질감, 색상 등을 감지할 수 있다. 2. 풀링 계층은 출력의 공간 크기를 줄이는 역할을 한다. 일반적으로 최대 풀링(max pooling)이나 평균 풀링(average pooling)을 사용하여 출력을 각 영역에서 가장 큰 값 또는 평균 값으로 대체한다. 이는 공간 해상도를 감소시키고, 계산량을 줄이며, 불필요한 정보를 제거하여 특징을 보다 강조한다. CNN은 이러한 컨볼루션 계층과 풀링 계층을 ..

import numpy as npimport tensorflow as tffrom tensorflow.keras.datasets import fashion_mnist# 데이터 불러오기(X_train, y_train), (X_test, y_test) = fashion_mnist.load_data()   sklearn과 저장방식의 차이점 sklearn => joblib   .pkltensorflow => save   .h5     def 생성하기 def build_model(): model = Sequential() model.add( Flatten() ) model.add( Dense(128, 'relu') ) model.add( Dense(10, 'softmax')) model.compile('..

https://www.tensorflow.org/datasets/catalog/fashion_mnist?hl=ko 패션_엠니스트 | TensorFlow Datasets 이 페이지는 Cloud Translation API를 통해 번역되었습니다. 패션_엠니스트 컬렉션을 사용해 정리하기 내 환경설정을 기준으로 콘텐츠를 저장하고 분류하세요. Fashion-MNIST는 60,000개의 예제로 구성된 www.tensorflow.org import numpy as np import tensorflow as tf from tensorflow.keras.datasets import fashion_mnist #fashion_mnist 사용 (X_train, y_train), (X_test, y_test) = fashion..

https://www.tensorflow.org/api_docs/python/tf/keras?_gl=1*7074vd*_up*MQ..*_ga*MjEzMDk5NTY2NC4xNzEzNDg3ODQ0*_ga_W0YLR4190T*MTcxMzQ4Nzg0NC4xLjAuMTcxMzQ4Nzg0NC4wLjAuMA.. Module: tf.keras | TensorFlow v2.16.1 DO NOT EDIT. www.tensorflow.org ! pip install scikeras from scikeras.wrappers import KerasClassifier from sklearn.model_selection import GridSearchCV from keras.models import Sequential from ke..