키자드에 등록된 총 51개의 포스트를 확인하실 수 있습니다.
직장인 자격증 공부법 작가 고은주 출판 미다스북스 발매 2019.08.27. 리뷰보기 ※ 독후감 내가 원했던 내용 - 직장인으로써 자격증을 공부하는 방법 위주 내용 내가 느낀 책이 말한 내용 - 저자가 겪으며 스스로 생각한 내용의 자서전과 같은 내용 저자가 말하는 취지는 마음에 들었다. 결론은 미래를 위해서 이 악물고 유망한 자격증에 도전하자 정도의 얘기 제목만 보고, 너무 기대를 해서 그런지 개인적으론 너무나도 실망을 했다. 다음부턴 서점에서 좀 읽어보고 구매를 할 것이다.
Batch Size는 딥러닝 모델을 학습할 때 사용되는 미니배치 데이터의 크기를 나타내는 매개변수 Batch Size는 모델의 성능과 학습 속도에 영향을 미침 Batch Size가 작을수록: 성능 개선 정도: 작은 Batch Size는 모델이 각 데이터 포인트에 대한 업데이트를 더 자주 수행 이는 모델이 데이터의 작은 세부사항에 대해 더 잘 학습할 수 있게 해줄 수 있음 작은 Batch Size는 모델이 데이터에 더 빠르게 적응할 수 있어 일반화 성능을 개선 그러나 작은 Batch Size는 모델의 성능에 더 큰 변동성을 초래할 수 있습니다. 연산 속도: 작은 Batch Size는 모델에 전달되는 데이터 양이 적기 때문에 모델의 연산 속도가 빨라 모델이 작은 Batch Size로 학습되면 더 작은 데이터 양을 처리하기 때문에 계산량이 줄어들어 연산 속도가 향상 그러나 작은 Batch Size는 GPU 또는 병렬 처리 장치의 자원을 효율적으로 사용하지 못할 수 있습니다. 전체적인 관점
직장인으로써 빅데이터분석기사(빅분기) 를 합격했다. 후기를 쓴다. 직장인으로써 자기개발(자기계발)로써 시작을 했고 이제는 상식이 되어버린 파이썬을 사용해서 합격까지 도달했다. 빅데이터분석기사(빅분기) 와 파이썬 합격 후기 이 두개는 지금 관심이 있는 초등학생들도 공부를 하기시작하는 분야인 것 같다. 나중에 자리만 차지하는 늙은이가 되지 않겠다는 마음으로 공부를 했다. 언젠가 신입들이 왔을 때 말은 통해야 하니까. 빅데이터분석기사(빅분기) 시험볼때 생각보다 파이썬의 많은 다양한 라이브러리들을 알아야해서 힘들었다. 파이썬 타임스탬프 등을 알아야 전처리가 가능한 문제들도 나왔고, 빅데이터분석기사(빅분기) 합격자들이 많이 나오고 있어서 어렵게 만드는 추세인 것 같다. 그나마 일찍 합격해서 다행인가. 관련 분야가 아닌 일반 직장인이라 공부할 시간도 없고 힘들었지만 합격하여 자격증 카드가 집에 왔을 때에는 노력을 보상받는 느낌이었다. 그런데 어디다 써먹지... 여하튼 직장인의 빅데이터분석기사(
모두의 리눅스 저자 미야케 히데아키,오스미 유스케 출판 길벗 발매 2021.12.24. 블로그 글 더보기 1. 도입 & 책 소개 우선, 나처럼 리눅스를 처음 접하거나 조금 익숙하긴 한데 헷갈리는 사람에게 이 책은 가성비 높은 입문서야. 『모두의 리눅스』는 미야케 히데아키, 오스미 유스케가 공저하고, 번역은 이동규 씨가 맡았어. 출판사는 길벗이고, 504쪽 분량으로 리눅스의 기본 개념부터 실습 중심의 활용까지 폭넓게 다뤄. 이 리뷰에서는 책의 주요 내용, 장단점, 나의 느낌 + 추천 대상 등을 나눠서 정리해 볼게. 2. 책의 구성 & 핵심 내용 요약 이 책은 입문자 관점에서 ‘리눅스 시작 → 기본 조작 → 심화 활용’ 순서로 구성되어 있어. 예를 들어: 1장에서는 리눅스란 무엇인지 개념 정리 + 환경 세팅 가이드 제공됨. 중반부에는 파일/디렉터리 조작, 접근 권한, 프로세스/잡 관리, 표준 입출력, 정규 표현식 등이 실습 중심으로 설명돼 있음. 후반부에는 셸 스크립트, 깃(Git) 연
2026 최적합 네트워크관리사 1.2급 필기+실기 (2025년 8월부터 변경되는 출제기준 적용) 저자 허준,선세리 출판 성안당 발매 2025.07.09. 블로그 글 더보기 1. 도입 & 책 선택 계기 자격증 시험 준비할 때 제일 고민되는 건 “어떤 교재를 믿고 따라갈 것인가”야. 나는 필기 + 실기 모두 대비할 수 있는 올인원 교재를 찾다가 이 책, “네트워크관리사 1·2급 필기+실기 (성안당, 최적합 시리즈)”을 골랐어. 출제 기준 개정도 반영됐고, 기출 + 적중예상문제도 수록되어서 시험 대비 교재로 믿음이 갔거든. 이 리뷰에선 책의 구성, 장단점, 나의 공부 경험 + 추천 대상 등을 중심으로 이야기해 볼게. 2. 책 기본 정보 & 특징 요약 먼저 이 책의 주요 정보와 특징을 정리하면: 저자: 허준, 선세리 등 출판사: 성안당 출간일: 2024년 07월 03일 (종이책/전자책 동시 출간) 페이지 수: 약 479쪽 (PDF 기준) 구성: 필기 + 실기 병합 교재. 과목별 적중예상문제
1. RAID 기본 개념 & 핵심 요소 먼저 RAID란 무엇인지, 왜 쓰는지부터 확실히 하자. RAID = Redundant Array of Independent Disks (또는 옛날엔 “Inexpensive Disks”) 여러 개의 디스크를 묶어서 하나의 논리적 디스크처럼 보이게 만드는 기술 목적은 크게 두 가지: 성능 향상 (여러 디스크가 동시에 읽고 쓰게 하여 처리 속도 높이기) 신뢰성 / 장애 허용성 (fault tolerance) 확보 (하드디스크가 고장 나더라도 데이터 복구 가능하게) 하지만 RAID은 백업을 대체하는 건 아냐 — RAID는 하드웨어 고장에 대비하는 것이고, 소프트웨어 오류, 파일 실수 삭제, 자연 재해 등은 백업이 필요해. [네트워크관리사] RAID 완전 정리 | 시험 대비 핵심 요약 + 암기 팁 2. 핵심 용어 & 개념 (외워두면 좋아요) 용어 뜻 / 역할 Striping (스트라이핑) 데이터를 여러 디스크에 나눠서 분산 저장하는 방식 Mirrorin
리눅스의 shutdown / halt / poweroff / reboot 명령어와 Windows의 ipconfig /release /renew 명령어의 차이, 사용법, 암기 팁까지 한 번에! [네트워크관리사] 리눅스 종료 명령어 & Windows IP 재할당 명령어 완전 정리 목차 리눅스 종료 명령어 종류와 차이 각 명령어 사용 예시 시험 관점 정리 포인트 Windows의 ipconfig /release / ipconfig /renew 명령어 예제 & 주의사항 암기 팁 & 정리 요약 마무리 / 팁 1. 리눅스 종료 명령어 종류와 차이 리눅스나 유닉스 계열에서 시스템을 끄거나 멈추거나 재부팅할 때 여러 명령어를 쓸 수 있어. 각각이 내부에서 어떻게 동작하는지 알면 응용 문제 풀 때 유리해. 명령어 기본 기능 전원 절차 / 상태 변화 특징 / 주의점 shutdown 안전한 종료 또는 재부팅 먼저 시스템 서비스 종료 → 프로세스 정리 → 전원 끄기 또는 재부팅 옵션(-h, -r)으로 동작
리눅스에서 파일 권한 명령어 chmod와 pwd, 그리고 사용자 계정 정보가 저장된 /etc/passwd 파일 형식까지, 기초부터 보기 분석까지 한 번에 정리해볼게. [네트워크관리사] chmod / 파일 권한 + pwd + /etc/passwd 완전 정리 1. 파일 권한과 chmod 기본 개념 사용자 구분 & 권한 종류 리눅스/유닉스에서 파일이나 디렉터리에 누가 어떤 작업을 할 수 있는지 제어하는 걸 파일 권한(permission) 이라고 해. 권한은 보통 다음 세 그룹으로 나눠 생각해: 그룹 약칭 / 기호 의미 소유자 user / u 파일을 만든 사람 또는 지정된 사용자 그룹 group / g 소유자가 속한 그룹 또는 파일 그룹 기타 사용자 others / o 소유자와 그룹에 속하지 않는 모든 사용자 각 그룹별로 줄 수 있는 권한은: 읽기 (read, r) 쓰기 (write, w) 실행 또는 접근 / 탐색 (execute, x) 예: 디렉터리의 경우 실행 권한이 “디렉터리 내용 접
[네트워크관리사] Hyper-V / 데몬 개념 + 문제 분석 정리 1. Hyper-V 개념 & 장단점 / IIS 문제 연결 Hyper-V란? Hyper-V는 Microsoft가 제공하는 가상화(virtualization) 기술로, 물리 서버 위에서 여러 가상 머신(VM)을 운용할 수 있게 해 줘. 하이퍼바이저(hypervisor) 역할을 해서 운영체제 바로 위에서 가상 머신들을 관리하고 자원 배분 등을 제어해. Hyper-V는 Type-1 하이퍼바이저 방식이야 — 즉, 운영체제 위에서 얹히는 게 아니라 하드웨어 가까운 층에서 동작하는 형태야. Windows Server 2016 등에서 Hyper-V 역할(Role)을 설치해서 가상화 인프라 구성 가능해. 장점 / 특징 자원 효율성: 여러 VM을 한 물리 서버에서 실행하니까 하드웨어 낭비 줄어들고 자원의 활용률 높아짐. 비용 절감: 서버 대수를 줄이고 전력/냉각/관리 비용 절감 가능. 유연성 / 확장성: VM 생성/삭제 쉽고, 필요할
시스템 분석 설계 저자 최은만 출판 생능출판 발매 2018.09.17. 블로그 글 더보기 UML 시스템 분석 설계 개념 흐름 다이어그램 1. 책 기본 정보 & 왜 읽었는가 책명: 시스템 분석 설계 (UML로 배우는 개정판) 저자: 최은만 출판사: 생능출판 (생능출판사) 페이지 / 판수: 약 564쪽 개정판 버전 읽은 계기: 시스템 분석 · 설계 과목 준비하거나, 실무 설계 역량 키우려는 사람에게 기본서로 많이 추천되는 책 중 하나여서 선택했어. 2. 이 책의 구성 & 강점 이 책이 특히 좋은 이유들을 정리해 보면: 부분 설명 / 특징 이론 + UML 중심 접근 분석과 설계 개념 + UML 모델링 중심 예제 병행 도메인 적용 예제 실제 시스템을 분석하고 설계하는 흐름을 예제를 통해 보여줘서 이해 도움 풍부한 그림 / 다이어그램 클래스 다이어그램, 시퀀스 다이어그램, 상태도 등 시각 자료가 많아 감 잡기 쉬움 용어 정리 & 흐름 정돈 요구사항 분석 → 모델링 → 설계 / 클래스 책임 /
Aij 는 i 번째 데이터에서 자신이 속한 클러스터 내의 다른 데이터 포인트 까지의 거리 즉, A12 는 1번 데이터에서 2번 데이터 까지의 거리 Ai 는 i 번째 데이터에서 자신이 속한 클러스터 내의 다른 데이터 포인트들의 거리 평균 Bi 는 i 번째 데이터에서 가장 가까운 타 클러스터 내의 다른 데이터 포인트들의 거리 평균 두 군집 간의 거리가 얼마나 떨어져 있는가의 값은 Bi - Ai 이며, 이 값을 정규화 하기 위해서 MAX(Ai, Bi) 값으로 나눔. 실루엣 계수는 -1 ~ 1 값을 가짐 1 : 근처 군집과 더 멀리 떨어져 있다는 것 0 : 근처 군집과 가깝다는 것 (-) : 아에 다른 군집에 데이터 포인트가 할당되었다는 것 Si = (Bi - Ai) / MAX(Ai, Bi)
신경망의 일반화 성능을 향상시키기 위해 사용되는 정규화(Regularization) 기법 중 하나 학습 과정에서 신경망의 일부 뉴런을 임의로 선택적 제거 신경망은 여러 개의 부분 네트워크(Sub-Network) 를 사용하여 학습하고, 앙상블 효과를 통해 과적합(Overfitting) 을 줄임. 적용 드랍아웃은 주로 신경망의 은닉층(Hidden Layer) 에서 사용 각 은닉층 뉴런은 드랍아웃 확률(p) 에 따라 유지될 확률과 제거될 확률을 갖음 학습 중에 각 배치(Batch) 또는 각 데이터 포인트에 대해 임의로 뉴런을 드랍아웃 확률에 따라 선택 제거 테스트 또는 추론 단계에서는 드랍아웃을 적용하지 않고 전체 신경망을 사용 효과 뉴런은 다른 뉴런들과의 독립성을 갖음. 이로 인해 다양한 부분 네트워크(Sub-Networks) 가 생성 학습 중 뉴런 일부가 제거되어 부분 네트워크에서만 학습이 이루어짐. 신경망이 일부 뉴런의 의존서에 과도하게 의존하지 않도록 도와줌 (과적합 감소, 일반화
Convolution : 딥러닝에서 널리 사용되는 연산 중 하나 이미지나 시계열 데이터 등과 같은 다양한 유형의 입력에 대해 특징 추출하는데 사용 입력 데이터 (Input) : Convolution 연산의 첫단계는 입력 데이터 정의 3차원 형태로 표현 (이미지의 경우 높이, 너비, 채널이 되며 RGB 이미지의 경우 채널 수는 3) 필터 (Filter) : Convolution 연산의 두번째 단계는 필터를 정의 필터는 특징 추출하는데 사용되는 작은 행렬 (일반적으로 정방 행렬) 주로 3*3, 5*5, 7*7 을 많이 사용하며, 학습 가능한 가중치로 초기화 되며 학습 중에 최적화 됨. 패딩 (padding) : 입력 데이터 주변에 추가되는 가장의 값으로, Conv. 연산에서 주로 경계 처리(Border handing)위해 사용 패딩 사용 시 feature map의 크기 조정 가능 패딩 크기는 사용자가 지정, 주로 0으로 채워진 패딩(Zero-Padding) 이 일반적으로 사용 됨 스트라
배치 크기 (Batch Size) 모델이 한 번에 처리하는 데이터 샘플 수 학습 데이터 셋을 일반적으로 매우 큼. 데이터 한 번에 처리하는 것을 비효율. 따라서 배치로 나누어 모델에 주입 작은 배치 사용 시, 메모리 요구사항 줄일 수 있고, 모델 학습 과정을 효율적으로 만들 수 있음. 일반적으로 2의 제곱 수인 32, 64, 128 등으로 선택. 에포크 (Epoch) 학습 데이터셋 전체를 한 번 훑는 횟수를 결정. 학습 데이터셋은 배치로 나누어 모델에 주입되고, 모델은 각 배치에 대해 매개변수를 업데이트 함. 한 에포크에서는 배치 수만큼 업데이트 과정이 반복 됨. 에포크의 선택은 모델이 학습 데이터셋을 적절하게 학습할 수 있도록 하는 중요한 요소. 너무 적은 에포크를 선택 시 모델이 데이터의 다양성을 충분히 파악하지 못 할 수 있음. 너무 많은 에포크를 선택 시 과적합 될 수 있음. 에포크 수는 하이퍼파라미터로 사용자가 지정 필요 적절한 값은 모델성능과 학습속도를 고려하여 선택 필요
순차적인 데이터, 시계열 데이터, 자연어 등 시간에 따라 변화하는 데이터를 처리하기 위한 신경망 모델 시간적인 의존성을 가지고 있는 데이터 처리 위해 반복적인 구조를 사용 순차적인 구조를 가지고 있으며, 이전 단계의 출력이 현재 단계의 입력과 함께 사용되어 시간적인 의존성 학습 처리 내부적으로 메모리 셀이라는 상태(State) 를 가지고 있으며, 메모리 셀은 이전 단계의 상태와 현재 입력을 기반으로 계산 입력, 출력을 시퀀스 형태로 처리 가능 vanilla RNN, LSTM(Long Short-Term Memory), GRU(Gated Recurrent Unit) 등이 있음. 장점 시퀀스 데이터 처리에 특화되어 있어 시간적 의존성을 학습하고 처리 가능 가변적인 길이의 시퀀스 데이터를 처리할 수 있어 다양한 응용 분야에 적용 가능 단점 장기 의존성 문제 (Long-Term Dependency Problem) 가 발생할 수 있음 긴 시퀀스에서 이전 정보를 오랫동안 기억하기 어려운 경향
딥러닝 모델 중 하나로, 시퀀스 데이터를 처리하는데 탁월한 성능 어텐션 메커니즘을 중심으로 구성 (RNN, CNN 과 같은 정통적인 순차적 구조 없이 입출력 사이의 전역적인 상호작용) 배경 기존 RNN 기반 모델의 장기의존성문제와 병렬처리 어려움을 해결하기 위해 등장 주로 자연어 처리 작업에서 문장을 처리하는데 사용 기계번역, 챗봇, 요약 등 다양한 응용 분야에서 활용 구조 인코더와 디코더로 구성 인코더 : 입력 시퀀스를 고정된 크기의 벡터 표현으로 변환 디코더 : 인코더 출력과 이전에 생성된 출력을 사용하여 출력 시퀀스를 하나씩 예측 각 인코더, 디코더는 여러 개의 층으로 구성되어 있으며, 층 내부에는 다수의 어텐션 메커니즘인 Multi-Head Attention 이 적용 구성요소 : 어텐션 메커니즘 : 트랜스포머의 핵심 구성 요소로써 입력 시퀀스의 다른 위치들 간 상호작용을 모델링. Self-Attention 이라는 변형된 어텐선 메커니즘 사용하여 입력의 다른 위치들 간 상대적
RNN 의 장기의존성 문제를 해결하는 트랜스포머 아키텍처에서 사용되는 어텐션 메커니즘의 한 변경. 입력 시퀀스의 다른 위치들 간 상대적인 중요성을 계산하고 이를 기반으로 가중합을 수행하여 출력 생성. 정의 트랜스포머의 핵심 구성 요소, 입력 시퀀스 다른 위치들 간 관계 모델링 여러 개의 어텐션 헤드를 병렬로 사용하여 입력에 대한 다양한 관점 고려 각 어텐션 헤드는 다른 가중치 행렬을 가지고 독립적으로 어텐션 연산을 수행해 결과 결합하여 출력 생성 구조 3가지 단계 : 선형 변환 입력을 다른 차원으로 매핑하기 위해 각각의 어텐션 헤드에 대해 선형 변환을 수행 어텐션 계산 각 어텐션 헤드는 쿼리, 키, 벨류를 사용하여 어텐션 스코어 계산 출력 생성 각 어텐션 헤드의 출력을 결합하고 선형변환을 통해 최종 출력 생성 계산 방법 선형변환 입력에 대해 각 어텐션 헤드에 대한 가중치 행렬을 곱하여 다른 차원으로 매핑 어텐션 스코어 계산 쿼리, 키, 벨류를 사용하여 각 어텐션 헤드에 대한 어텐션
회귀 정의 회귀는 입력변수와 연속적인 출력변수 사이의 관계를 모델링하는 문제 입력변수 (독립변수) 를 사용하여 출력변수 (종속변수) 를 예측하는 것이 목표 종속변수 회귀 문제에서 종속변수는 연속적인 값을 가지며, 예측하고자 하는 대상 예를들어 주택가격, 온도, 주식가격 등 연속적인 값을 예측하는 문제가 회귀문제 모델출력 회귀 모델의 출력은 실수로 이루어진 연속적인 값 모델이 예측하는 값은 입력 변수에 대한 예측된 연속적인 결과 평가 회귀모델의 성능평가에는 일반적으로 평균제곱오차 MSE(Mean Squared Error) 나 평균절대오차 (Mean Absolute Error) 와 같은 연속적인 값에 대한 평가 지표를 사용 분류 정의 입력변수를 사용하여 데이터를 여러 클래스 또는 범주로 분류하는 문제 입력변수 (독립변수) 를 사용하여 데이터를 사전 정의된 클래스로 분류하는 것이 목표 종속변수 분류문제에서 종속변수는 범주형 데이터로 이루어진 클래스 예를들어 이메일이 스팸인지 아닌지, 이미
인공신경망 (Artificial Neural Network) 의 기본적인 구성 이진분류 (Binary classification) 수행하는데 사용되는 간단한 선형 분류) 구조 입력층 (Input Layer) 와 출력층 (output Layer) 로 구성 입력층은 입력 특성 (Features) 을 받아드리고, 출력층은 이진 분류 결과 출력 가중치(Weights) & 편향(Bias) 퍼셉트론은 입력 특성에 대한 가중치와 편향을 가짐 가중치 입력 특성에 대한 중요도 편향 : 결정 경계 위치 조정 활성화 함수 (Activation Function) 퍼셉트론은 학습알고리즘을 통해 가중치와 편향을 업데이트하여 분류를 개선 일반적인 학습 알고리즘은 경사하강법 (Gradient Descent) 를 사용하여 가중치와 편향을 조정 학습 & 수렴 : 퍼셉트론은 예측과 정답 레이블을 비교하여 오차를 계산하고 이를 사용해 가중치 및 편향을 업데이트 이를 반복하여 오차 최소화하고 정확한 분류를 수행하는 최적
초기화 퍼셉트론 가중치, 편향을 초기에 임의의 값을 가짐 일반적으로 무작위 또는 0으로 초기화 입력과 가중치의 곱셈 퍼셉트론은 입력값과 가중치를 곱한 값을 사용 입력값에 대한 가중치를 곱한 값을 계산 가중치와 편향의 향상 곱셈한 결과에 편향을 더함 편향은 각 뉴런이 얼마나 쉽게 활성화되는지를 조정하는 역할 활성화 함수 적용 합산된 값에 활성화 함수를 적용. #활성화 함수는 #비선형성 을 도입하여 #퍼셉트론 이 복잡한 패턴을 학습하도록 함 임계치 비교 활성화 함수를 통과한 값과 입계치를 비교 임계치보다 크면 퍼셉트론은 활성화되고, 작으면 비활성화 됨 가중치 편향 업데이트 퍼셉트론의 출력이 기대 출력과 다를 경우, 가중치와 편향을 업데이트 업데이트는 오차 역전파 알고리즘을 통해 수행 됨. 오차 역전파 출력과 기대 출력 사이의 오차를 계산 오차를 이용하여 가중치와 편향을 조정하는 역전파 알고리즘을 수행 가중치와 편향 업데이트 오차 역전파 알고리즘을 사용하여 가중치와 편향을 업데이트 업데이
다중공선성은 회귀분석에서 발생하는 문제 독립변수 간에 강한 상관관계가 있을 때 발생 이들 변수 중 어느 하나를 통해 다른 변수를 예측할 수 있기 때문 다음과 같은 상황에서 발생 첫째, 독립변수들이 서로 강한 선형 상관관계를 가지고 있는 경우입니다. 예를 들어, 어떤 회귀모델에서 '집 크기'와 '방의 개수'라는 두 개의 독립변수가 있을 때, 이들 변수는 양의 상관관계를 가질 수 있습니다. 즉, 집이 크면 방의 개수도 많을 가능성이 높습니다. 이 경우 독립변수들 간의 상관관계가 높아져 다중공선성 문제가 발생할 수 있습니다. 둘째, 독립변수들이 동일한 정보를 제공하는 경우에도 다중공선성이 발생할 수 있습니다. 예를 들어, '판매량'을 예측하는 회귀모델에서 '매출액'과 '판매금액'이라는 두 개의 독립변수가 있다고 가정해 봅시다. 이 두 변수는 사실상 동일한 정보를 제공하기 때문에, 이들 간에 강한 상관관계가 발생하고 다중공선성 문제가 발생할 수 있습니다. 문제 첫째로, 회귀계수의 추정이 불
고차원의 데이터를 저차원으로 변환하는 기법 데이터 정보를 보존하면서 차원을 줄이는 것을 목표 (다중공선성 문제 대응) 주성분 분석 (PCA, Principal Component Analysis) 정방행렬, 비지도 학습 데이터의 분산을 최대화 하는 방향으로 주성분을 찾아 차원을 축소 단계 데이터 정규화 공분산 행렬 계산 공분산 행렬의 고유값과 고유벡터 계산 고유값이 큰 순서대로 고유벡터를 선택하여 주성분(PCA) 구성 선택한 주성분 (PCA) 으로 데이터를 투영하여 차원 축소 특징 차원 축소를 통해 데이터의 시각화와 해석이 용이 데이터의 잡음을 제거하고 중요한 정보를 보존 (데이터 압축, 잡음 제거) 변수 간 상관관계를 고려하여 차원 축소 -> 다중공선성 문제 완화 선형판별분석 (LDA, Linear Discriminant Analysis) 정방행렬, 지도 학습 (클래스가 필요) 클래스 간 분산을 최대화하고 클래스 내 분산을 최소화하는 방식의 차원 축소 단계 각 클래스 평균 계산 클래
딥러닝 모델에서 사용되는 정규화 기법 중 하나 학습 과정에서 각 레이어의 입력 값을 정규화하여 학습의 안정성과 속도를 향상시키는 방법 딥러닝 모델의 레이어 간 입력 값을 정규화 미니배치 단위로 정규화 Batch Normalization 은 미니배치 단위로 입력 데이터의 평균과 분산을 계산하여 정규화 미니배치는 한 번에 모델에 입력되는 일정 개수의 데이터 샘플을 의미 평균과 분산 계산 각 미니배치에서 입력 데이터의 평균과 분산을 계산 이를 통해 해당 미니배치에서 데이터 분포를 파악할 수 있음 정규화 각 미니배치에서 입력데이터를 평균과 분산을 사용하여 정규화 정규화는 입력데이터의 분포를 평균이 0이고 분산이 1이 되도록 조정하는 작업 이를 통해 데이터 분포가 모델 학습에 적합한 형태로 조정 스케일(gamma) 과 시프트 (beta) 정규화된 데이터에 대해 스케일과 시프트 연산을 수행 스케일(gamma) : 정규화된 데이터에 대해 곱해지는 값 시프트(beta) : 정규화된 데이터에 대해
IoT의 교과서 작가 IoT검정 텍스트 제작 위원회 지음, 변문현 출판 보국 발매 2020.03.30. 리뷰보기 서평 아주 넓고, 아주 얇은 지식을 알려주는 책이다. 초, 중, 고, 학부1~2 정도 해당 책을 읽고, IoT에 어떤어떤 이론들이 있는지 가볍게 읽으면 좋은 책이라 생각한다. 실제 업무에서도 많이 사용되는 이론에 대하여, 아주 얇으면서 흥미롭게 설명을 해 주고 있다. 물론 깊은 지식은 직접 찾아가면서 해당 이론을 습득해야 한다. 실무자라 할지라도 모든 이론/지식/단어 들을 알지 못한다. 처음 듣는 단어들도 생길 수 있다. 이 책을 읽게되면, "아~ 어디선가 들어본적이 있어!" 라고 생각 할 수 있을 것이다. 책소개 IOT의 첫걸음. 기본부터 차근차근히, 끝내 전문가로 이 책은 4차 산업 혁명 시대의 변화에 따른 비즈니스 패러다임의 전략 기법과 산업 시스템 전반에 걸친 변화 및 해외 동향, 통신,라이센스 관련 법률과 IOT 기술의 기반이 되는 네트워크, 디바이스, 플랫폼
ADsP 데이터 분석 준전문가 2021 (무료 동영상제공 + 최신기출 + 예상문제 710) 작가 윤종식 출판 데이터에듀 발매 2021.01.15. 리뷰보기 서평 하기 사유로 해당 책을 읽어보았다. 1. 요즘 HOT한 "데이터/ 데이터분석" 이 뜨고 있는데, 과연 이들이 하는 일이 도대체 무엇인가? 를 알고싶어서... 2. HOT한 열기로 많은 이들이 해당 자격증을 준비한다고 하던데 나도 그 사이를 비집고 들어가볼까? 해당 책 일어 본 결과, 데이터 분석 관련해서 대략적인 업무파악하기 좋다고 생각된다. 해당 지식으로 당장 데이터 분석을 해서 수익 구조를 낼 수 있는 분결결과를 주는 것은 아니다. 다만, 해당 직무의 부서에서 어떤 일을 하고, 어떤 방법으로, 어떤 결과를 가져다 줄 수 있는지에 대해서 파악하기 좋다. 추천! 책소개 ▷ 카카오톡 실시간 1:1 질문답변 가능 ( 카카오톡 플러스친구 '데이터에듀' 검색) ▷ 무료 문제풀이 동영상 120개 + 2020년 최신기출문제 포함 7
손에 잡히는 VIM 작가 김선영 출판 인사이트 발매 2011.03.31. 리뷰보기 서평 VIM 을 처음 접했을 떄, 이걸 왜 써야하나....... 고민이 많았다. 윈도우에서 주로 Source Insight 를 많이 사용 했었다. 디버깅 할 때도, 디버깅 시에만 Trace32 를 사용하고, 모든 Code 분석은 Source Insight 를 사용했다. 많이 사용하기도 했었지만, 일단 너무 편하고 UI도 괜찮았다. (뭐 요새는 다들 VS Code 로 간다고 하더라....) 최근 개인적인 공부욕심으로 리눅스 공부를 시작했는데, 일단 모든 참고서적 및 전문가들이 모두 VIM 을 사용을 하더라........ 그래서 안 사용할 수 없지! 라는 마음으로 시작했다. 초보자 입장을 많이 고려해준 책인 것 같다. 외우지 말고 많이 사용해 보라는 식으로 많은 부분을 알려주지 않는다. 알려줘서 못 외우고 못 쓰기 때문이란다. 맞는말이다. 리눅스 공부의 끝은 없다고 하니...... 이왕 사용해 보는거 남
1. 역시 인터넷 고수분들 내용 참고해서 연결에 성공하였다. 2. 제일 문제였던게 공유기 설정이었다. 남들이 많이 사용하는 IPTime 이 아니고, T-Broad 라서 설정을 어떻게 해야하는지도 몰랐다. 그리고 통신(네트워크) 에 대한 지식이 없다보니 삽질을 많이 했다. 결론은 필요한 지식이 하기 해당되는 내용이다. - (라즈베리파이의) 고정IP설정 - 위 고정IP 에 대한 외부로의 포트포워딩 위 두 개만 정확히 설정하니, VNC, PuTTY 연결은 아주 잘 되었다. 굿굿.
공부 : 책출처> 사물인터넥을 위한 리눅스 프로그래밍 with 라즈베리파이 아... 책의 내용을 옮기는 것도 오타가 있어서 문제를 잡는데 한 참이나 걸렸다. 내가 설계/개발해 온 전자제어기 firmware(non-os) S/W 에서는 "표준입출력" 을 사용할 일이 없었다. 단지 MCU Register 설정을 통해 원하는 기능들 (예> GPIO 등) 을 사용했었을 뿐이다. 리눅스 OS 사용이 힘들고 새로운데, 표준입출력 또한 새롭다. 무엇이든 기초부터 차근차근 해 나아가면 언젠가 빛이 바랄 날이 오지 않을까. 그나저나 이 책 잘 산 것 같다. #include <stdio.h> // 표준 입출력(Standard IO) 함수를 위한 헤더 파일 int main(int argc, char **argv) { int n; FILE *in, *out; char buf[BUFSIZ]; // 명령행 인수로 복사할 파일명이 없는 경우에 에러를 출력하고 종료한다. if (argc != 3) { fprin
공부 : 책출처> 사물인터넥을 위한 리눅스 프로그래밍 with 라즈베리파이 주요 내용 - 논블로킹(Non-Blocking) - 터미널 설정(속성) 정보 read/write ↔ tcgetattr( , TCSANOW, ) / tcsetattr( , TCSANOW, ) - 표준입출력 설정 정보 read/write ↔ fcntl(0, F_GETFL, ) / fcntl(0, F_SETFL, ) - ungetc() 함수 : 한 번 읽는 문자는 입력 스트림에서 사라지는데 이 분자를 다시 읽기위해 입력 스트림에 넣는 함수, 이를 다시 getchar() 함수로 읽을 수 있음. 1. TCSANOW : 속성 즉시 변경 2. TCSADRAIN : 송신 완료 후 변경 3. TCSAFLUSH : 송수신 완료 후 변경 F_GETFL : 파일 테이블에 저장되어 있는 파일 상태 플래그를 반환 F_SETFL : 파일 상태 플래그를 설정(O_APPEND, O_NONBLOCK, O_SYNC 등) #tcgetattr #
출처 : "사물인터넷을 위한 리눅스 프로그래밍 with 라즈베리파이" 1. 하드 링크 : 하나의 파일이 두 개의 이름으로 불린다 생각, 원본 파일에 접근/수정 가능 단일 파일 시스템에서만 허용 (파일에 대해 같은 아이노드 가짐) 디렉터리에 대한 링크는 슈퍼 유저만 수행 ln 원본파일 링크파일 2. 심볼릭 링크 : 파일에 대한 간접 포인터, 실제 파일에 대한 경로 저장 (예> 윈도우 바로가기) 원본 파일과 링크 파일이 따로 존재 디렉터리에 대한 링크는 슈퍼 유저가 아니더라도 사용 가능 원본 파일 위치에 대한 위치(아이노드)만 저장, 아이노드와 데이터가 따로 존재 ln -s 원본파일 링크파일 3. link()함수 : 하드 링크 만들기 4. symlink() 함수 : 심볼릭 링크 만들기 5. unlink() 함수 : 파일의 연결 계수 감소, 연결 계수가 0이 되면 파일을 디스크에서 제거 및 디렉터리도 연결 계수 동일하게 감소 6. remove() 함수 : 파일이면 unli
출처 : "사물인터넷을 위한 리눅스 프로그래밍 with 라즈베리파이" 1. 종류 ① - 일반(보통) 파일 ② b 블록 디바이스 파일 (block) ③ c 문자열 디바이스 파일 (character) ④ d 디렉터리 (directory) ⑤ l 심볼릭 링크 파일 (link) ⑥ p or = 명명된 파이프(named pipe)/FIFO ⑦ s 소켓 (socket) 2. 접근 권한 앞에서부터 3개씩 rwx(읽기, 쓰기, 실행하기) 소유자, 그룹, 다른사람 순서 총 9글자 ※ 파일 소유자 및 그룹 변경 ※ 파일 접근 권한 변경 ① 문자열을 이용하는 방법 기존의 파일 접근 권한에서 새로운 권한을 추가/제거할 때 편리 u : 소유자 g : 그룹 o : 다른 사람 a : 모든 사람 + : 권한 추가 - : 권한 삭제 r : 읽기 w : 쓰기 x : 실행 u-x : 소유자의 실행 권한 제거 go+r : 그룹과 기타 사용자에게 읽기 권한 부여 ② 8진수를 이용하는 방법 파일 접근
정보통신기사 과년도 작가 김남선, 양윤석 출판 세화 발매 2021.02.10. 리뷰보기 서평 잠시나마 자격증 공부로 나의 게으름을 control 할 수 있지 않을까? 하는 심정으로 구매를 했다. 많은 문제들이 있어 시험공부에는 도움이 되겠지만, 해설만 봐서는 관련 전공을 하지 않았다면 설명을 100% 이해하기가 매우 힘들 것이다. 자격증만 관심이 있고, 이론은 아무레도 좋다! 이런 사람들은 이 책만 보고 답만 외우는 것도 하나의 방법이 될 것이다. 책소개 『정보통신기사 과년도(2021)』 는 〈디지털전자회로〉, 〈정보통신기기〉, 〈정보전송공학〉, 〈정보통신시스템〉, 〈정보통신설비기준〉, 〈전자계산기일반〉 등을 수록하고 있는 책이다. 목차 2008 정보통신기사 과년도 2008년 3월 시행 (1)디지털전자회로 18 (2)정보통신기기 23 (3)정보전송공학 27 (4)정보통신시스템 33 (5) 정보통신설비기준 37 (6) 전자계산기일반 39 2008년 5월 시행 (1) 디지털전자회로
2021 정보통신기사 필기 작가 김남선, 양윤석 출판 세화 발매 2021.02.10. 리뷰보기 서평 잠시나마 자격증 공부로 나의 게으름을 control 할 수 있지 않을까? 하는 심정으로 구매를 했다. 이론을 공부하기 위해 구매를 했다. 확실히 문제만을 볼 때보다는 이해가 되서 좋았다. 그런데 양이 너무 많아서 필기 책을 다 보고서, 과년도 책을 또 볼 수 있을지는 의문이다. 책소개 『정보통신기사 필기(2021)』 은 〈다이오드(DIODE)〉, 〈전원 회로(전원공급장치, POWER SUPPLY)〉, 〈평활 회로(SMOOTHING CIRCUIT)〉, 〈정전압 회로(직류 안정화 회로, REGULATOR)〉, 〈고입력 저항 회로〉, 〈궤환 증폭 회로(FEEDBACK AMPLIFIER)〉 등을 수록하고 있는 책이다. 목차 제1편 디지털 전자 회로 Chapter 1. 전원회로 (1) 다이오드(Diode) 1-2 (2) 전원 회로(전원공급장치, Power supply) 1-4 (3) 평활
출처 : 사물인터넷을 위한 리눅스 프로그래밍 with 라즈베리파이 현재 파일의 권한 변경 코드 작성 umask 명령어를 통해 파일 생성 시 적용할 마스크 값을 설정할 수 있다. 생성되는 파일의 권한은 사용한 인자(mask)와 & 연산 값으로 결정 된다. 하기는 함수들의 사용법이다.
클러스터링 비지도 학습 데이터를 서로 유사한 특성을 가진 그룹으로 나누는 작업 K-Means 데이터를 K개의 클러스터로 그룹화 클러스터 과정 중 클러스터 중심(Centroid) 기반으로 데이터 할당 중심(Centroid)과 데이터 간 거리 최소화 방식 원형 클러스터 형태에 적합 클러스터 개수 K 를 사전에 지정 필요 과정 초기화 : 클러스터 개수 K 를 사전 정의 (초기 중심 무작위 선택 또는 특정 방법으로 선정 가능) 할당단계(Assignment Step) : 각 데이터 포인트에 대해 가장 가까운 중심 찾음. 일반적으로 유클리드 거리를 사용하여 거리 측정 갱신단계(Update Step) : 각 클러스터에 할당된 데이터 포인트 들을 기반으로 새로운 중심(Centroid) 계산 이는 데이터 포인트의 평균값으로 구함. 갱신된 중심으로 중심 업데이트. 할당 및 갱신 단계 반복 : 계속 갱신 함 클러스터 중심이 더 이상 변하지 않거나, 정해진 반복횟수 도달 시 알고리즘 종료. 결과 출력 종
DBSCAN : Density-Based Spatial Clustering of Applications with Noise 데이터 밀도 기반 클러스터 구성 알고리즘. 밀도가 높은 데이터 포인트들이 클러스터를 형성 낮은 밀도 영역은 잡음(Noise) 로 간주. 클러스터 개수 미리 지정 필요 없음. 데이터 분포에 따라 클러스터의 모양, 크기 다양하게 형성. 과정 입실론-이웃 설정 알고리즘 핵심 매개변수는 입실론-이웃 크기임. 주어진 데이터 포인트의 주변 반경을 결정하는 파라미터. 최소 데이터 포인트 개수 (minPts) 지정 필요 핵심포인트 (Core Point) 탐색 각 데이터 포인트에 대해 입실론반경(입실론이웃) 내 최소 데이터 포인트 개수 이상의 데이터 포인트가 존재하는지 확인. 이는 핵심포인로 간주. 직접 접근선 (Direct Density Reachability) 검사 핵심포인트 간 직접 접근성 검사하여 클러스터 형성 두 핵심포인트가 서로 입실론반경 내 있으면 서로 접근 가능하
계층적 클러스터링 (Hierarchical Clustering) 데이터를 계층적으로 그룹화 데이터 포인트를 개별 클러스터로 시작하고 유사한 클러스터를 서로 결합하여 계층 구조 형성 덴드로그램(Dendrogram) 사용하여 계층 구조 시각화 가능 클러스터 간 거리 측정 방법에 따라 Agglomerative 와 Divisive 방법으로 나뉨 GMM (Gaussian Mixture Models) 데이터를 여러 개의 가우시안 분포로 모델링하는 확률적인 클러스터링 알고리즘 클러스터의 중심과 분산을 추정하고 데이터 포인트가 각 클러스터에 속할 확률을 계산하여 클러스터링 데이터가 다중 가우시안 분포를 가진 경우에 유용 Spectral Clustering 데이터를 그래프로 표현하고, 그래프의 스펙트럼 분해를 사용하여 클러스터링 데이터를 저차원 공간으로 임베딩하여 클러스터링 하는 효과적인 방법 데이터가 비선형 분포를 가지거나 클러스터가 원형이 아닌 경우에도 잘 작동
오늘은 R을 공부중이다. 최근 ADsP 시험을 위하여 학업과 별도로 자격증 준비도 하는 중이다. 블로그를 하다가 귀찮아서 안 하게되는게 빈번했지만, 네이버에서 이벤트 중이라 재시작. 이벤트 기간 만이라도 일기를 잘 써봐야지 하기는 내가 지금 공부중인 R 을 이용한 확률밀도 함수 그리기 w/ggplot cat("\014") # Cleaning of consol in Rstudio rm(list=ls()) # clearing of datasets in Rstudio Environment dev.off() # plots 지우기 library(MASS) library(ggplot2) library(gridExtra) library(yarrr) library(gridExtra) p1= ggplot(Cars93,aes(x=MPG.highway)) + geom_density(aes(group=Type, colour=Type)) + labs(x="MPG.highway", y="Density") +
#블챌 #오늘일기 날씨가 엄청 좋은데 집에만 있었다. 할 것도 많고 무얼 위해서 이리 살까. 내일은 월요일.. 열심히 살아야지.
오늘 하루는 웹툰에 빠져살았다. 신입사원 자기소개 때에도 꿈을 만화방 사장님이 되는 것이라 했다. 만화를 보고있자면 시간이 슝슝. 나도 언젠가 돈을 많이 벌어 내가 좋아하는 만화만 보면서 살 수 있는 날이 왔으면 좋겠다.
치킨을 먹었다 오늘도 회사가 싫다 나의 미래는... 이대로 사는게 맞는걸까... 정말 잘 모르겠다. 그냥 대충살면 고민을 안 할텐데 그냥 대충 살까? 모르갰다정말
#1 필요한 모듈 임포트 from selenium import webdriver from selenium.webdriver.common.keys import Keys from selenium.webdriver.common.action_chains import ActionChains from bs4 import BeautifulSoup import time import csv #2 상수 설정 SCROLL_PAUSE_TIME = 1 #3 URL과 Webdriver 설정 url = "https://www.youtube.com" driver = webdriver.Chrome(executable_path="C:\\Users\\HJPark\\Anaconda3\\Scripts\\chromedriver.exe") #4 웹브라우저 크기 조정 window_size = driver.get_window_size() driver.set_window_size(window_size['width']+100, w
install.packages("SemiPar") install.packages("tree") library(SemiPar) library(tree) data(fuel.frame) fuel.frame fuel.tr = tree(Fuel~Weight+Disp.+Type, data=fuel.frame) # 연비가 좋은 것을 찾음음 fuel.tr plot(fuel.tr) text(fuel.tr) fuel.tr.cv = cv.tree(fuel.tr, FUN=prune.tree) # 타당성 검증증 fuel.tr.cv plot(fuel.tr.cv) fuel.tr.size6 = prune.tree(fuel.tr, best = 6) fuel.tr.size6 plot(fuel.tr.size6, type="u") text(fuel.tr.size6) predict(fuel.tr.size6, fuel.frame) # 예측값 산출
사물인터넷을 위한 리눅스 프로그래밍 with 라즈베리 파이(전면개정판) 작가 서영진 출판 제이펍 발매 2020.03.06. 리뷰보기 서평 해당 책으로 리눅스 공부를 시작했다. 지금까지 자동차 전자제어기 firmware(non-os) s/w 개발로 경력을 쌓아오다가 몇번의 이직/경력으로 PL로써 요구사항만을 담당하게 된지 1년이 넘어간다. 시간이 생기니 학부/대학원/사회에서 접할 수 없었던 리눅스에 대한 공부 열망이 싹트고 질러버렸다. 해당 책은초보들이 길을 잃지 않도록 아주 친절하게 가이드 해주고 있다. 덕분에 탈선없이 잘 배워나가고 있다. 900 페이지가 넘는 방대한 양이지만, 현재 200 페이지까지 독파 완료. 계속 꾸준히 공부하면, 해당 책을 독파하고 또다시 다른 리눅스 책을 공부할 예정이다. 보통 중견 이상에서는 firmeware 를 하면 그쪽으로만, 리눅스를 하면 그쪽으로만 (예>BSP) 심화시켜 개발하고 배우고 경력을 쌓는 경우가 대부분이긴 하던데, 이로써 나는 또다시
공부 : 책출처> 사물인터넥을 위한 리눅스 프로그래밍 with 라즈베리파이 #include <unistd.h> // 유닉스 표준 시스템 콜을 위한 헤더 파일 #include <fcntl.h> // open() 함수 플래그들이 정의되어 있음 #include <stdio.h> // perror() 함수 #include <sys/stat.h> #include <sys/types.h> int main(int argc, char **argv) { int n, in, out; char buf[0x400]; // 명령행 인수로 복사할 파일명이 없는 경우에 에러를 출력하고 종료한다. if (argc < 3) { write(2, "Usage : copy file1 file2\n", 25); return -1; } // 복사의 원본이 되는 파일을 읽기 모드로 연다. if ((in = open(argv[1], O_RDONLY)) < 0) { perror(argv[1]); return -1; } // 복
R컴퓨팅(워크북포함, 1학기) 작가 Null 출판 한국방송통신대학교출판문화원 발매 2020.01.08. 리뷰보기 서평 R 언어를 처음 접하는 입문자로써, 자세한 설명보다는, 이런이런 기능들이 있으니 이제 시작부터 해보자! 라는 내용으로 읽기 괜찮은 책으로 생각된다. 보다 심화 내용은 인터넷 검색을 통해서 진행하고, 책은 참고를 하면서 진행하면 더욱 좋은 판단이 될 수 있을 것 같다. 책소개 R 프로그램은 데이터 분석과 그래프 작성 등을 위하여 개발된 오픈소스 데이터분석용 프로그램이다. 무료로 배포되는 특성 때문에 다양한 함수와 패키지를 만들고 공유할 수 있는 환경이 마련되므로 사용자들이 자유롭게 분석기법을 추가할 수 있고 최신 통계기법도 구현이 가능하다. 또한 다양한 분야의 통계분석이 가능하고, 그래픽 기능이 다른 통계패키지에 비하여 뛰어나다는 것도 장점으로 꼽을 수 있다. 이 책은 R의 설치부터 실행, 응용 방법 등에 대하여 심도 있게 다루고 있다. 특히 R 프로그램을 처음 접
통계학개론 작가 이태림 출판 한국방송통신대학교출판부 발매 2015.01.01. 평점 서평 통계학 입문용이다. 겉핡기 식으로 우선 쭉~ 정독하는 것이 필요하다. 후반부로 갈 수록 이해할 수 없는 내용들이 있지만, 당연하다고 생각된다. 통계학 입문자로써 이런저런 것이 있다는 것 정도만 파악하고, 정말 내가 필요한 이론을 따로 공부해야 할 것으로 보인다. 책소개 이 교재는 통계학의 기본 개념을 수학적 지식을 깊이 요하지 않는 범위에서 개념적으로 다룬 것이다. 이 과목은 기초 통계이론 및 통계분석의 기본 과정을 전반적으로 소개하여 정보통계학을 전공하기 시작하는 학생이나, 통계분석의 개념을 필요로 하는 사회과학이나 자연과학 분야의 학생에게도 유용할 것이다. 아울러 교재에서 소개하고 있는 통계 소프트웨어인 R Commander를 활용해서 소개된 예제와 연습문제들을 직접 해결하면 통계적 개념과 분석기법을 이해하는 데 도움이 될 것이다. 교재의 구성은 다음과 같다. 목차 제1장 데이터와 통계
확률의 개념과 응용 작가 이긍희 출판 KNOUPress(한국방송통신대학교출판문화원) 발매 2017 리뷰보기 서평 통계학에서도 확률의 개념에 대해서 알 수 있는 책이다. 확실히 통계학개론 보다는 쉽고 잘 씌여진 책이다. 이해하기가 더 쉽고 확률에 대해서 더욱 깊숙히 알 수 있다. 개념을 잡기 위해 좋은 책이다. 책소개 불확실한 현대사회에서 확률의 개념은 모든 학문뿐만 아니라 생활 속에서도 폭넓게 활용되고 있다. 우리는 매일 일기예보 방송을 보면서 비 올 확률을 확인하고 우산을 가져갈지 결정한다. 또한 당첨될 확률을 계산하면서 복권을 구입하고 있다. 통계학에서 이용되는 추론은 불확실성을 포함한 세상을 데이터로 추론하여 지식을 일반화하게 된다. 이때 우리는 데이터를 바탕으로 가장 가능성 높은 결론을 내리게 된다. 확률은 통계학을 개념적으로 학습하기 위해서는 반드시 필요한 개념이다. 일반적으로 확률은 그 개념과 계산이 매우 어려운 것으로 인식되고 있다. 이러한 점을 감안하여 이 교재에서