본문 바로가기
반응형
[Python] Week 7: 리스트 Day 1: 리스트의 기본 개념강의 내용:리스트의 개념리스트의 정의와 특징리스트와 배열의 차이점리스트의 기본 사용법리스트 생성 및 초기화리스트 요소 접근 및 수정실습:리스트 생성 및 요소 접근# 리스트 생성 및 초기화fruits = ["apple", "banana", "cherry"]numbers = [1, 2, 3, 4, 5]# 리스트 요소 접근 및 수정print(fruits[0]) # 'apple'fruits[1] = "blueberry"print(fruits) # ['apple', 'blueberry', 'cherry'] Day 2: 리스트 메서드 I강의 내용:리스트 메서드append(): 리스트 끝에 요소 추가insert(): 특정 위치에 요소 추가remove(): 특정 요소 제거pop(): .. 2024. 6. 1.
[Python] Week 6: 고급 함수 Day 1: 람다 함수강의 내용:람다 함수의 개념람다 함수의 정의와 사용법익명 함수의 특징과 용도람다 함수의 기본 구조실습:간단한 람다 함수 작성 및 호출여러 매개변수를 가지는 람다 함수 작성# 람다 함수 정의 및 호출add = lambda x, y: x + yprint(add(3, 5)) # 8# 여러 매개변수를 가지는 람다 함수multiply = lambda a, b, c: a * b * cprint(multiply(2, 3, 4)) # 24 Day 2: map, filter, reduce 함수강의 내용:map 함수map 함수의 개념과 사용법리스트와 람다 함수를 이용한 map 사용 예제filter 함수filter 함수의 개념과 사용법리스트와 람다 함수를 이용한 filter 사용 예제reduce 함.. 2024. 6. 1.
[Python] Week 5: 함수 정의 및 호출 Day 1: 함수의 개념과 기본 구조강의 내용:함수의 개념함수의 필요성과 장점코드 재사용과 가독성 향상함수의 기본 구조함수 정의 (def 키워드)함수 이름과 매개변수return 문실습:기본적인 함수 정의와 호출# 함수 정의def greet(): print("Hello, Python!")# 함수 호출greet() # "Hello, Python!" 출력 Day 2: 매개변수와 인자강의 내용:매개변수함수 정의 시 매개변수 선언매개변수의 역할인자함수 호출 시 인자 전달위치 인자와 키워드 인자실습:매개변수가 있는 함수 정의와 호출# 매개변수가 있는 함수 정의def greet(name): print(f"Hello, {name}!")# 함수 호출greet("Alice") # "Hello, Alice!".. 2024. 6. 1.
[Python] Week 4: 반복문 Day 1: for 루프 I강의 내용:for 루프의 개념기본 구조와 사용법반복 가능한 객체 (리스트, 튜플, 문자열 등)실습:for 루프를 사용한 기본 반복문 작성# for 루프 기본 구조for i in range(5): print(i) Day 2: for 루프 II강의 내용:range 함수range 함수의 사용법 (start, stop, step)range 함수와 for 루프의 결합실습:range 함수를 이용한 반복 작업# range 함수 사용 예제for i in range(1, 10, 2): print(i) # 1, 3, 5, 7, 9 Day 3: for 루프 III - 중첩 루프강의 내용:중첩 for 루프중첩 루프의 개념과 사용법2차원 리스트 순회실습:중첩 for 루프를 사용한 2차원 .. 2024. 6. 1.
[Python] Week 2: 파이썬 기본 문법 Day 1: 변수와 자료형 I강의 내용:변수와 자료형 소개변수 선언 및 초기화변수 이름 규칙기본 자료형 (정수, 부동 소수점, 문자열 등)실습:다양한 자료형의 변수 선언 및 출력자료형 변환 (정수 ↔ 부동 소수점, 문자열 ↔ 숫자)# 변수 선언 및 초기화x = 10y = 3.14name = "Python"# 변수 출력print(x) # 10print(y) # 3.14print(name) # Python# 자료형 변환a = float(x) # 정수를 부동 소수점으로 변환b = int(y) # 부동 소수점을 정수로 변환c = str(x) # 정수를 문자열로 변환d = int("42") # 문자열을 정수로 변환print(a) # 10.0print(b) .. 2024. 6. 1.
[Python] Week 1: 파이썬 소개 Day 1: 파이썬의 역사와 특징강의 내용:파이썬의 역사1980년대 말: Guido van Rossum이 네덜란드 CWI 연구소에서 파이썬 개발 시작1991년: 파이썬 최초 버전 (0.9.0) 공개2000년: Python 2.0 출시 (주요 기능: 리스트 컴프리헨션, 가비지 컬렉션)2008년: Python 3.0 출시 (주요 기능: 완전한 유니코드 지원, print 함수)파이썬의 특징간결하고 읽기 쉬운 문법동적 타이핑다양한 표준 라이브러리크로스 플랫폼 지원풍부한 커뮤니티와 생태계실습:파이썬 커뮤니티 및 리소스 탐색파이썬 공식 사이트: https://www.python.org/파이썬 공식 문서: https://docs.python.org/3/Stack Overflow의 파이썬 태그: https://stac.. 2024. 6. 1.
[PyTorch] 19주차: 딥러닝 모델의 윤리 및 책임감 있는 AI 개발 강의 목표AI와 딥러닝 모델의 윤리적 문제 이해책임감 있는 AI 개발 원칙 학습윤리적 AI 개발을 위한 실천 방법 논의 및 실습강의 내용1. AI와 딥러닝 모델의 윤리적 문제AI 윤리 개요AI와 딥러닝 모델의 사회적 영향력윤리적 문제와 책임감 있는 AI 개발의 필요성주요 윤리적 문제편향성(Bias)프라이버시(Privacy)투명성(Transparency)공정성(Fairness)신뢰성(Reliability)2. 책임감 있는 AI 개발 원칙공정성(Fairness)데이터 편향성 인식 및 제거다양한 인구통계학적 그룹에 대한 공정한 모델 개발투명성(Transparency)모델의 의사결정 과정 설명 가능성AI 시스템의 투명성 확보 방법프라이버시(Privacy)데이터 수집 및 처리 과정에서의 프라이버시 보호데이터 익명.. 2024. 5. 31.
[PyTorch] 14주차: 모델 배포 및 운영 강의 목표모델 배포의 중요성 및 방법 이해PyTorch 모델을 배포하기 위한 다양한 기술 학습실전 프로젝트를 통해 모델 배포 및 운영 경험강의 내용1. 모델 배포의 중요성배포의 필요성학습된 모델을 실제 환경에 적용하여 예측 서비스 제공배포된 모델은 웹 애플리케이션, 모바일 앱, IoT 디바이스 등에서 사용할 수 있음배포의 주요 고려 사항성능 최적화: 예측 속도, 메모리 사용량 등안정성 및 확장성: 다양한 요청 처리 능력보안: 데이터 보호 및 접근 제어2. PyTorch 모델 저장 및 로드모델 가중치 저장 및 로드모델 가중치만 저장하여 나중에 불러오기전체 모델 저장 및 로드 # 모델 가중치 저장torch.save(model.state_dict(), 'model_weights.pth')# 모델 가중치 로드m.. 2024. 5. 30.
[PyTorch] 9주차: 모델 최적화 및 고급 주제 강의 목표모델 최적화 기법 이해 및 적용고급 PyTorch 기능 학습실제 프로젝트를 통해 모델 최적화 경험강의 내용1. 모델 최적화 개념모델 최적화의 중요성모델 성능 향상 및 학습 시간 단축주요 최적화 기법학습률 조정(Learning Rate Scheduling)조기 종료(Early Stopping)배치 정규화(Batch Normalization)드롭아웃(Dropout)2. 학습률 조정학습률 조정의 필요성초기 학습률 설정의 어려움학습 진행에 따라 학습률을 조정하여 효율적인 학습PyTorch에서의 학습률 스케줄러 사용torch.optim.lr_scheduler 모듈 활용import torchimport torch.optim as optimfrom torch.optim.lr_scheduler import S.. 2024. 5. 30.
[PyTorch] 6주차: 모델 훈련 및 평가 강의 목표PyTorch에서 모델 훈련 및 평가 방법 이해손실 함수와 옵티마이저 설정 및 사용법 습득훈련 루프 작성 및 모델 평가 지표 이해강의 내용1. 모델 훈련 기본 개념모델 훈련 과정순전파(forward pass): 입력 데이터를 모델에 통과시켜 예측값 계산손실 계산: 예측값과 실제값의 차이 계산역전파(backward pass): 기울기 계산가중치 업데이트: 옵티마이저를 통해 가중치 조정손실 함수(Loss Function)손실 함수는 모델의 예측값과 실제값의 차이를 측정하는 함수예시: nn.MSELoss(), nn.CrossEntropyLoss() import torchimport torch.nn as nn# MSELoss 예시criterion = nn.MSELoss() 옵티마이저(Optimizer).. 2024. 5. 30.
반응형

티스토리툴바