λͺ©λ‘π©π» μΈκ³΅μ§λ₯ (ML & DL) (100)
π 곡λΆνλ μ§μ§μνμΉ΄λ μ²μμ΄μ§?
220928 μμ± https://today-1.tistory.com/56?category=886697 μκ³μ΄ λ°μ΄ν° μ μ²λ¦¬(Denoising Method) μκ³μ΄ λ°μ΄ν°λ₯Ό λΆμνλ κ³Όμ μμ μκ° νλ¦μ λ°λΌ λ³λμ΄ ν¬κ±°λ μΌμ νμ§ μμ κ²½μ° λΉμ μμ±(Non-Stationarity)μ μ§λκ² λκ³ μ΄λ₯Ό μ μ²λ¦¬ μμ΄ λ¨Έμ λ¬λ μκ³ λ¦¬μ¦μ νμ΅ν κ²½μ° λ¨μ νν today-1.tistory.com 1οΈβ£ μκΈ° μκ΄(AutoCorrelation) : νμ¬ κ΄μΈ‘κ°κ³Ό μ§μ°(Lag) κ°λ€κ³Όμ κ΄κ³μμ λ°μ : κ΄κ³μ±μ νμ νκΈ° μν΄ ACF/PACF λ±μ μ¬μ©νμ¬ μ§κ΄μ μΌλ‘ μμ보거λ Durbin-Watson κ²μ μ ν΅ν΄ κ°κ΄μ μΌλ‘ μ΄ν΄λ΄ 2οΈβ£ μ½λ ꡬν π 1. library & data load # μμ λ‘ μ¬μ©ν ..
220928 μμ± https://today-1.tistory.com/37?category=886697 κ²°μ λ‘ μ μΆμΈ" data-og-host="today-1.tistory.com" data-og-source-url="https://today-1.tistory.com/37?category=886697" data-og-url="https://today-1.tistory.com/37" data-og-image="https://scrap.kakaocdn.net/dn/cDOxAG/hyPWErRa4g/zc1q4ViC49g108idNOPDh1/img.png?width=800&height=220&face=0_0_800_220,https://scrap.kakaocdn.net/dn/Ck2xU/hyPWKr3Oxo/wFHIv..
220928 μμ± https://today-1.tistory.com/38?category=886697 λ€λ³λ μ ν νλ₯ κ³Όμ (VAR/Granger Causality/Cointegration) λ€λ³λ μ ν νλ₯ κ³Όμ (VAR/Granger Causality/Cointegration) : λ€λ³λ μ ν νλ₯ κ³Όμ μ 곡λΆνκ³ μ ν¨. : ν΄λΉ λͺ¨λΈλ€μ κ²°κ΅ AR λͺ¨νμ λ²κ°μ μ¬μ©, XμΈμ μΆκ°, μ λΆμ νμ©ν λ΄μ©λ€λ‘ κ΅¬μ± λ¨. 1) λ²‘ν° today-1.tistory.com 1οΈβ£ λ€λ³λ μκ³μ΄ λ°μ΄ν° (Multivariate Time Series Data) : κ° μκ° λ¨μλ§λ€ μ¬λ¬ κ°μ κ°μ κ°μ§λ λ°μ΄ν° : λ€μ€ μκ° μ’ μ λ³μλ‘ κ΅¬μ± : λ€λ³λ λΆμμμ μμΈ‘ν λ³μμ κ³Όκ±°μ λ°μ΄ν°λ₯Ό κ³ λ €ν΄μΌν λΏλ§ μλλΌ μ¬λ¬..
220927 μμ± https://today-1.tistory.com/31?category=886697 https://today-1.tistory.com/32?category=886697 μκ³μ΄ λ°μ΄ν° μ μ²λ¦¬2 μκ³μ΄ λ°μ΄ν° μ μ²λ¦¬μ μ μμ¬ν : μκ³μ΄ λ°μ΄ν° λΆμμ μμ λ°μ΄ν°λ₯Ό μ μ ν λ μμ§ν΄μΌ νλ μ μ μ 리νκ³ μ ν¨ 1. μκ°μμ(ν΄μλ) μ ν : μκ³μ΄μ΄ λΆμν¨κ³Όμ λμμ΄ λ μκ°μμ(ν΄ today-1.tistory.com 1οΈβ£ μκ°μμ(ν΄μλ) μ ν : μκ³μ΄μ΄ λΆμν¨κ³Όμ λμμ΄ λ μκ°μμ(ν΄μλ)μ λΆμκ°μ κ²½νκ³Ό μ§μμ κΈ°λ°μΌλ‘ μ νν΄μΌ ν¨ : μΌλ°μ μΌλ‘ μμΈ‘ μ νμ±μ΄ λμ μκ°μμμ μ ννκ±°λ μμΈ‘ κ²°κ³Όλ₯Ό λ€μ νμ΅μΌλ‘ μ¬μ©νμ¬ μ°μμ μΌλ‘ μ¬μ©ν¨ : μ°κ° λ¨μ λΉμ¦λμ€ λͺ©ν μμΈ‘μ μ..
220927 μμ± https://today-1.tistory.com/29?category=886697 μκ³μ΄ λ°μ΄ν° μ μ²λ¦¬1 μκ³μ΄ λ°μ΄ν°ν¨ν΄ : μκ³μ΄ λ°μ΄ν° λΆμμ μμ΄ νμλ³μλ₯Ό λ§λλ κ²μ κ°μ₯ μ€μνκ³ μκ°μ΄ λ§μ΄ 걸리λ μμ : λ³μ μμ±μ μ£Όμν΄μΌ ν 2κ°μ§ λ―Έλμ μ€μ μ’ μ λ³μ μμΈ‘κ°μ΄ μ΄λ€ λ 립/ today-1.tistory.com 1οΈβ£ μκ³μ΄ λ°μ΄ν°ν¨ν΄ μΆμΆ λΉλ(Frequncy) : κ³μ μ± ν¨ν΄(Seasonality)μ΄ λνλκΈ° μ κΉμ§ μ¬λμ΄ μ μ μΆμΈ(Trend) : μκ³μ΄μ΄ μκ°μ λ°λΌ μ¦κ°, κ°μ λλ μΌμ μμ€μ μ μ§νλ κ²½μ° κ³μ μ±(Seasonaliy) : μΌμ ν λΉλλ‘ μ£ΌκΈ°μ μΌλ‘ λ°λ³΅λλ ν¨ν΄ μ£ΌκΈ°(Cycle) : μΌμ νμ§ μμ λΉλλ‘ λ°μνλ ν¨ν΄ 2οΈβ£ μκ³μ΄ λ°μ΄ν°..
220927 μμ± https://coding-nurse.tistory.com/294?category=991286 [ML μκ³ λ¦¬μ¦] μ΄μ νμ§(Anomaly Detection) μκ³ λ¦¬μ¦ μ΄μνμ§ μκ³ λ¦¬μ¦μ λν λ΄μ©μ΄ λ무 λ°©λνκΈ°λ νκ³ , λ€ κ³΅λΆνκΈ°μ λ°μλ€λ°λΉ νλμ¬νμ μ΄κ³ μλ λμ΄κΈ°μ μ μ 리μ€λͺ μ νλ μ νλΈκ°μλ₯Ό μ ννμλ€! μμλ μ’μ κ°μ ! π₯ μ ν coding-nurse.tistory.com https://today-1.tistory.com/27?category=886697 μκ³μ΄ λ° ν΅κ³ μ©μ΄ μκ³μ΄ λ° ν΅κ³μ μ©μ΄ : λΆμ μ§νμ μμ κΈ°μ΄μ μΈ μ©μ΄λ₯Ό λ¨Όμ νμ΅ν΄λ³΄μ 1. λ°μ΄ν° κ΄μ μ λ°λ₯Έ λΆλ₯ : μκ³μ΄ λΆμ Target data 1) μκ³μ΄μ’ λ¨λ©΄ : λ€μμμ + νΉμ λ 립λ³μ 2)..
220927 μμ± https://dschloe.github.io/python/dash/dash_project/ Python Dashλ₯Ό νμ©ν λμ보λ λ§λ€κΈ° with Heroku κ°μ ν보 μ·¨μ€μμ μν κ°μλ₯Ό μ μνμμ΅λλ€. λ³Έ λΈλ‘κ·Έλ₯Ό ν΅ν΄μ κ°μλ₯Ό μκ°νμ λΆμ κ²μκΈ μ λͺ©κ³Ό λ§ν¬λ₯Ό μκ°νμ¬ μΈνλ° λ©μμ§λ₯Ό ν΅ν΄ 보λ΄μ£ΌμκΈ°λ₯Ό λ°λλλ€. μ€νλ² μ€ μμ΄μ€ μ dschloe.github.io 1οΈβ£ λ°μ΄ν° μμ§ https://www.kaggle.com/neuromusic/avocado-prices avocado.csv 2οΈβ£ anaconda κ°μνκ²½ λ° λΌμ΄λΈλ¬λ¦¬ μ€μΉ κ°μνκ²½ $ conda create --name κ°μνκ²½μ΄λ¦ python=3.8 $ conda activate κ°μνκ²½μ΄λ¦ λΌμ΄λΈλ¬λ¦¬ $..
220926 μμ± https://www.youtube.com/watch?v=Zzt4Ept-zYs 1οΈβ£ μκ³μ΄ λ°μ΄ν° : κ΄μΈ‘μΉκ° μκ°μ μμλ₯Ό κ°μ§ λ°μ΄ν° μ μ μ§ν© λ¨λ³λ μκ³μ΄(Univariate) : λμΌν κ°κ²©μ μκ° μ¦κ°μ λν΄ μμ°¨μ μΌλ‘ κΈ°λ‘λ ν κ°μ λ³μ κ΄μΈ‘μΉλ‘ ꡬμ±λ μκ³μ΄ λ€λ³λ μκ³μ΄(Multivariate) : λμΌν κ°κ²©μ μκ° μ¦κ°μ λν΄ μμ°¨μ μΌλ‘ κΈ°λ‘λ λ κ° μ΄μμ λ³μ κ΄μΈ‘μΉλ‘ ꡬμ±λ μκ³μ΄ 2οΈβ£ μκ³μ΄ λ°μ΄ν°μ μ΄μ νμ§ μ΄λ €μ μ΄μ μ νμ΄ λ€μ μ μκ³Ό λΉμ μ λ°μ΄ν°λ₯Ό μ νν ꡬλΆνμ¬ λΌλ²¨λ§νκΈ° μ΄λ €μ μκ°κ³Ό λΉμ© λ§μ΄ μμ μ μκ³Ό μ΄μμ κ²½κ³ λΆλͺ ν μ μ λ°μ΄ν°μ λΉν΄ λΉμ μ λ°μ΄ν° λΉμ¨μ΄ ν¨μ¬ μ μ -> λ°μ΄ν° λΆκ· ν -> λΆλ₯ λ¬Έμ μ μ₯μ λ¬Ό 3οΈβ£ μκ³μ΄ λ°μ΄..