Free

서론NCS 대비를 하기 위해서 빠른 계산법을 익힐 필요가 있었다. Youtube만 찾아봐도 빨리 푸는 팁은 많다. 하지만 이걸 직접 사용해보지 않으면 익히기가 어려웠고 이걸 체득하기 위해 매일 조금씩 학습지처럼 문제를 풀어보고자 했다. 이 문제를 자동으로 매일 오전에 뽑아주면 좋겠다는 생각을 해서 만들게 되었다. 본 내용에서는 내가 구축한 과정을 위주로 작성할 것이다. 하지만 나와 같이 이런 시스템을 구축하고 싶거나 해당 시스템을 가져가서 활용하고 싶을 때 참고해도 좋을 것이다.본론우선 관련 Github 주소이다.https://github.com/seomj/daily_ncs.git GitHub - seomj/daily_ncs: 🚀 Gemini-Based NCS Automation Pipeline🚀 G..

서론SSAFY 미니 프로젝트를 진행하며 이미지를 분석해 텍스트를 추출하는 기능이 필요했다. 이를 공부하고 도입한 과정에 대해 정리해보고자 한다.OCR이란?Optical Character Recognition (광학 문자 인식)텍스트 이미지를 기계(컴퓨터)가 읽을 수 있는 텍스트 포맷으로 변환하는 기술 카메라로 이미지를 인식하면 텍스트를 읽어오는 과정을 생각하면 된다. 일상에서 영수증이나 신분증, 메뉴판 등을 카메라로 인식하는 경우가 있다. 이때 OCR을 통해 이미지를 텍스트 문서로 변환하여 텍스트 데이터로 저장할 수 있다. 동작 원리글자를 어떻게 인식하지?이미지 획득스캐너를 통해 문자를 이진 데이터로 변환밝은 부분 → 배경 / 어두운 부분 → 글자(텍스트)전처리정렬 문제 해결을 위해 기울기 조절이미지 얼..

MCP란Model Context ProtocolModel(AI 모델)이 다양한 Context(문맥)을 받아 활용할 수 있도록 약속된 Protocol(규칙)LLM 모델이 외부 애플리케이션과 연동할 수 있도록 해주는 스펙 이는 프로토콜이다. LLM 애플리케이션과 Tool 서버 통신에 대해 정의한 규칙이다. 이 규칙만 따르면 어떤 SDK나 어떤 프로그래밍 언어 등 사용이 가능하다. (아직은 MCP에 대한 개념이 덜 잡혀서 천천히 공부해볼 예정이다.) 참고https://bcho.tistory.com/1470실습참고Playwright브라우저 기반 웹 서비스 테스트 및 웹 크롤링 도구Notion MCP노션 워크스페이스 연동 및 문서화vscode에서 playwright 사용해보기vscode에 playwright M..

vscode와 Gemini를 연동하여 코드를 작성해보는 실습을 진행하고자 합니다.(여담이지만, 블로그 글 수정하려다 삭제해버렸고 복구가 불가능해 매우 슬프네요...)사전 준비vscode를 설치해야 한다. 웬만하면 모두 설치가 되어 있는 상태일테니 해당 과정은 생략하도록 한다. 만약 설치가 되어 있지 않다면 아래 링크를 통해 설치할 수 있다. https://code.visualstudio.com/ Visual Studio Code - Code Editing. RedefinedVisual Studio Code redefines AI-powered coding with GitHub Copilot for building and debugging modern web and cloud applications. Vi..

from skimage import data, color, feature import skimage.data import matplotlib.pyplot as plt import numpy as np image = data.chelsea() plt.imshow(image) plt.title('input image') image = color.rgb2gray(data.chelsea()) hog_vec, hog_vis = feature.hog(image, visualize=True) fig, ax = plt.subplots(1, 2, figsize=(12, 6), subplot_kw = dict(xticks=[], yticks=[])) ax[0].imshow(image, cmap='gray') ax[0].s..

이전 글에서도 어느정도 다뤘던 내용이지만 좀 더 다뤄 보기 위해 따로 작성하고자 한다. 앙상블(Ensemble) 조화 또는 통일 여러 개의 결정 트리(Decision Tree)를 결합하여 하나의 결정 트리보다 더 좋은 성능을 내는 머신러닝 기법 핵심은 여러 개의 약 분류기(Weak Classifier)를 결합하여 강 분류기(Strong Classifier)를 만드는 것 이를 통해 모델의 정확성이 향상된다. 학습법에는 배깅(Bagging)과 부스팅(Boosting)이 있다. + 보팅(Voting)과 스태킹(Stacking)도 있다고 한다. 배깅(Bagging) Bootstrap Aggregation의 약자 샘플을 여러 번 뽑아(Bootstrap) 각 모델을 학습시켜 결과물을 집계(Aggregation)하는..

랜덤 포레스트 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종 훈련 과정에서 구성한 다수의 결정 트리로부터 분류 또는 회귀 분석을 출력 포레스트 숲 결정트리 나무 나무가 모여 숲을 이룬다 즉, 결정 트리가 모여 랜덤 포레스트를 구성 훈련을 통해 구성해 놓은 다수의 나무들로부터 분류 결과를 취합해서 결론을 얻는 방식 몇몇의 나무들이 오버피팅을 보일 수는 있지만 다수의 나무를 기반으로 예측하기 때문에 그 영향력이 줄어들게 되어 좋은 일반화 성능을 보인다. 이처럼 좋은 성능을 얻기 위해 다수의 학습 알고리즘을 사용하는 걸 앙상블(ensemble) 학습법이라고 한다. 여러 결정 트리들이 내린 예측 값들 중 가장 많이 나온 최종 예측 값으로 결정 즉, 하나의 거대한 결정 트리를 만드는 것이 아닌 여러 개..

결정 트리 분류와 회귀 모두 가능한 지도 학습 모델 중 하나 의사 결정 규칙과 그 결과들을 트리 구조로 도식화한 의사 결정 지원 도구의 일종 3가지 종류의 노드로 구성 결정 노드(decision node): 사각형으로 표시 기회 노드(chance node): 원으로 표시 종단 노드(end node): 삼각형으로 표시 스무고개 하듯이 예/아니오 질문을 이어가며 학습 특정 기준(질문)에 따라 데이터를 구분하는 모델 한번의 분기 때마다 변수 영역을 두 개로 구분 맨 처음 분류 기준: Root Node 맨 마지막 노드: Terminal Node 혹은 Leaf Node 새로운 데이터가 들어오면 체크리스트(?)를 바탕으로 하나씩 질문하고 해당 답에 대한 다음 나무 줄기를 따라가다가 결국에는 '이건 어떤 레이블이겠구..

나이브 베이즈 분류(Naive Bayes Classification) 텍스트 분류에 사용됨으로써 여러 범주 중 하나로 판단하는 문제에 대한 대중적인 방법 일반적인 원칙에 근거한 여러 알고리즘들을 이용하여 훈련 베이즈 정리(Bayes' Theorem) 새로운 사건의 확률을 계산하기 전에 이미 일어난 사건을 고려하는 것을 전제로 하는 베이즈 통계의 근간 조건부 확률 P(A|B)는 사건 B가 발생한 경우 A의 확률을 나타낸다. weather_play.csv를 사용하여 실습 import pandas as pd data = pd.read_csv('D:/Ai/weather_play.csv') data # mapping dictionary 만들기 outlook_dic = {'overcast':0, 'rainy':1,..

SVM(서포트 벡터 머신) 분류와 회귀에 사용 두 카테고리 중 어느 하나에 속한 데이터의 집합이 주어졌을 때, SVM 알고리즘은 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 카테고리에 속할지 판단하는 비확률적 이진 선형 분류 모델을 만듦 support vectors는 결정 경계와 가까이 있는 데이터 포인트들을 의미 이 데이터들이 경계를 정의하는 결정적인 역할을 함 데이터에 2개 속성만 있다면 결정 경계는 다음과 같은 간단한 선 형태가 될 것 속성이 3개로 늘어난다면 3차원으로 그려야 함 이 때의 결정 경계는 선이 아닌 평면임 속성의 개수가 늘어날수록 더 복잡해질 것이다. 결정 경계도 단순한 평면이 아닌 고차원이 될 것이며, 이를 초평면(hyperplane)이라고 부른다. 마진(Margin) ..