Im Bay

도커 데스크탑 무한 로딩일 때 (Docker Desktop - Unexpected WSL error, Error: 0x80070002) 오랜만에 곧 배포할 일이 생겨 먼저 도커 컨테이너 실행까지만 해보려고 도커 데스크탑을 켰다.도커 데스크탑을 작년에 키고 오랜만에 켜서 그런지 도커 데스크탑 무한로딩이 걸리면서 에러창이 뜨는거다.  Docker Desktop - Unexpected WSL error 이 뜨길래 WSL이 안 깔려있는 줄 알고 확인  WSL은 깔려 있고, 실행이 안되는 듯 하다. 그리고 재시작을 해도 Running이 안됨.  또 검색하니 가상화 환경 되있는지 확인? 근데 작년까지 도커 데스크탑 잘 썼었고, 확인해도 체크 잘 되어있었다. 그 후 도커 데스크탑 삭제 및 재설치WSL 삭제 및 재설치..

AWS S3 버킷 생성버킷 생성https://imbay.tistory.com/129 참고버킷 정책 설정AWS S3- 버킷- 해당 버킷 클릭- 권한- 버킷 정책버킷 정책을 편집을 누르고 아래 코드를 추가해준다.{ "Version": "2012-10-17", "Statement": [ { "Sid": "PublicReadGetObject", "Effect": "Allow", "Principal": "*", "Action": "s3:GetObject", "Resource": "arn:aws:s3:::{버킷이름}/*" } ]} 스프링부트 이미지 업로드 구현build.grad..

선형 회귀모델 (Linear Regression)변수들 사이의 관계를 추정하는 분석 방법관측 값을 가장 잘 나타내는 직선 혹은 곡선의 방정식을 구하는 통계적 방법독립변수(x1, x2, …값)가 종속변수(y값)에 미치는 영향 분석다중회귀 분석, 단순회귀 분석단순 선형 회귀모델 (Simple Linear Regression)Y = b + wx + 𝜖다중 선형 회귀모델 (Multiple Linear Regression)Y = b + w1x1 + w2x2 + 𝜖최소제곱법 (Least Square Estimator)회귀모델에서 SSE(제곱오차)를 최소화 시키는 모델 파라미터 b, w1, w2 …를 결정하는 방법경사하강법 (Gradient Descent)전체 배치 경사하강법 (Full Batch Gradient..

나이브 베이즈 (Naive Bayes)지도학습, 모델기반 분류 모형나이브 베이즈는 순수하게 분류를 위한 모델특성들 간의 독립을 가정하기 때문에 단순화시켜 처리하는 경우에 주로 사용되며 스팸메일 분류, 네트워크 침입 탐지, 비정상행위 탐지, 질병진단 등에 사용된다.나이브 베이즈 장단점장점구현이 쉽고 대부분 좋은 결과를 제공특성들 사이의 연관성을 고려하지 않아 계산이 간단하고 빠르다.적은 크기의 훈련 데이터에서도 잘 동작한다.단점특성들 간의 독립을 가정하기 때문에 종속적인 자료들의 경우 정확도가 떨어진다.분류모델 종류카테고리 나이브 베이즈 분류 모델(CategoricalNB)이진분류가우시안 나이브 베이즈 분류 모델(GausianNB)연속형 특성값우도 추정시 정규분포 사용다중 분류베르누이분포 나이브 베이즈 분..

K-최근접 이웃 (K-nearest Neighbors)거리를 이용해 분류(Classification) 또는 회귀(Regression)를 수행하는 알고리즘주어진 개체에 대하여 근처의 K개의 개체들의 클래스들 중에서 가장 많은 클래스로 주어진 개체의 클래스를 지정하는 방법n차원 공간에서 두 점 (X, Y) 사이의 거리는 유클리디안 거리 이용dist(X, Y) = 루트 (x1-y1)^2 + (x2- y2)^2 + … + (xk-yk)^2지도학습, 사례기반 학습예시남녀 구분(머리카락 길이, 키, 몸무게 등)토마토는 채소인지 과일인지 구분할 수 있는 변수(features)로 sweetness, crunchiness를 선정K-최근접 이웃 분류train_data, train_target, test_data, test..

차원축소많은 변수(feature)로 구성된 데이터 세트의 차원을 감소시켜서 새로운 데이터 시트 생성수백개 이상의 피처로 구성된 데이터 세트는 적게 구성된 세트의 학습 모델보다 예측 신뢰도가 낮다. (과대적합)3차원 이하의 차원 축소를 통해 처리 능력 향상 가능과대적합 (overfitting)머신러닝 모델 학습 시 학습 데이터셋에 지나치게 최적화할 때 발생모델을 지나치게 복잡하게 학습하여 모델 성능은 높게 나타나지만, 새로운 데이터가 주어졌을 때 정확한 예측이나 분류를 수행하지 못한다.과소적합 (underfitting)모델이 충분히 복합하지 않아서 학습 데이터의 구조나 패턴을 정확히 반영하지 못할 때 발생학습 데이터셋 모델 성능보다 새로운 데이터셋에서 모델 성능이 더 높게 나오는 상태차원축소 방법피처 선택..

군집분석 (Cluster Analysis)주어진 데이터 개체들을 소속 집단의 정보가 없는 상태에서 서로 유사한 것들끼리 그룹화하는 비지도 학습 방법같은 군집내의 개체들은 서로 높은 유사성을 갖고 다른 군집에 속한 개체들은 상대적으로 낮은 유사성을 갖도록 군집화가 이루어짐거리 측도는 군집화를 위한 대표적인 유사성 측도두 개체간의 거리가 가까울수록 서로 유사성이 커진다.유클리디언 거리가 가장 일반적으로 사용되는 거리 측도이다.유클리디언 계산법 = (x1-x2)^2 + (y1-y2)^2 에 루트 씌우기대표 기법계층적 군집화K-평균 군집화(K-means clustering)계층적 군집화절차병합 (agglomerative)가까운 개체끼리 군집화 시키는 방법개별 → 전체분리 (divisive)먼 개체들을 나누어 가..

아이디어 및 요구사항 분석아이디어 도출사용자 경험 개선을 위한 요구사항 파악 (요구사항 명세서)서비스 시나리오페르소나 작성MVP 개발아이디어를 시각적으로 구현하고 사용자 피드백을 통해 개선하기서비스 네이밍 서비스 설계아키텍쳐 설계시스템의 전반적인 아키텍쳐 설계마이크로 서비스 아키텍쳐(MSA), 서버리스(Serverless) 등 최신 아키텍쳐 패턴 고려시스템 구성도소프트웨어 코어 설계데이터베이스데이터베이스 스키마와 데이터 모델을 설계UI/UX 디자인와이어프레임 및 프로토타입을 작성하여 사용자 인터페이스 설계인터페이스 정의 서비스 개발 및 배포서비스 개발아이디어를 시각적으로 구현하고 사용자 피드백을 통해 개선개발 정책을 수립 (Convention)CodeNaming Rules사용성 테스트사용성 테스트를 통해..

업무 수행학습CS 지식(OS, Network, Data Structure, 자료 구조)앞으로 겪을 새로운 업무기술의 흐름(프레임워크 등)원리 파악(3 Tier 웹 서비스(Client, App Server, DB))태도서비스의 개발협력과 커뮤니케이션(단순히 코딩만 하는 것이 아님)누군가의 이슈는 모두의 이슈협력과 존중리스크를 사전에 공유하고 일정을 조정다른 사람을 위한 코드를 작성, 인수인계업무 대응자신이 가장 잘 할 수 있는 분야를 가지기모르는 것을 부끄러워 하지 않기책임서비스를 고객에게 제공하는 일맡은 일을 일정 안에 해결하는 것시스템 간의 연계를 포함서비스의 품질일정품질 + 일정 모두 맞추기합리적인 일정 산출설계에 참여할 것팀원을 속이지 않는 것 (줄이거나, 크게 잡거나)일을 작게 나누기정해진 시간에..

RDS 생성RDS 대시보드로 이동데이터베이스 생성 클릭표준 생성 선택엔진 옵션엔진 유형MySQL 선택엔진 버전 선택템플릿프리 티어 선택설정DB 클러스터 식별자DB 이름 작성마스터 사용자 이름root자격 증명 관리자체 관리 선택마스터 암호, 암호 확인 입력인스턴스 구성db.t3.micro 선택연결퍼블릭 액세스예 선택데이터베이스 생성 클릭  RDS 설정RDS 운영환경에 맞는 파라미터 설정파라미터 그룹으로 이동파라미터 그룹 생성파라미터 그룹 이름, 설명 작성엔진 유형MySQL Community Edition파라미터 그룹 패밀리mysql8.0유형DB Parameter Group생성 버튼 클릭생성한 파라미터 클릭 후 편집 이동파라미터 필터링에 time_zone 검색값에 Asia/Seoul 추가변경 사항 저장파라미..