Python84

• 

  컬렉션 타입의 이해) dict와 set의 차이에 대해 알아보자! dict와 set의 차이에 대해 알아보자! 자료구조/파이썬 기본 자료구조 2024. 10. 21.

• 

  컬렉션 타입의 이해) 튜플과 리스트의 차이에 대해 알아보자! 리스트와 튜플: 리스트는 값의 수정이 가능하나(mutable), 튜플은 자료구조 특성상 문자열처럼 수정이 불가능하다.(immutable) ​ (문자열은 튜플처럼 값의 수정이 불가능함, immutable) ​ a=[1,3,2,9,5]에서 a.sort()를 하면 a라는 원본을 건드려서 오름차순 정렬한 값이 a에 새롭게 수정됨. 반면, sorted(a)라고 하면 복사본을 건드리기 때문에 오름찬순 정렬값이 원본에서 수정되지는 않음. ​ 따라서 a.sort()를 하고 print(a)를 하면 a가 정렬되어 있음. 반면, sorted(a)를 하고 print(a)를 하면 a가 정렬되어 있지 않음. 자료구조/파이썬 기본 자료구조 2024. 10. 21.

• 

  문자열 타입에 대해 이해해보자! 문자열 타입에 대해 이해해보자! 자료구조/파이썬 기본 자료구조 2024. 10. 21.

• 

  주사위게임에서 특정확률을 시뮬레이션을 통해 해결해보자! ※문제아래 문제를 풀어보자! 주사위게임에서 시뮬레이션을 진행할때 주사위를 굴리는 것은 중요한 부분이다. 각 경우의 수가 나올 확률이 균일하다고 가정할때, 주사위 2개를 굴려 나올 수 있는 값의 합이 7이 될 확률은 얼마인가요? 우선 큰수의 법칙에 따라 1만번의 시뮬레이션을 수행하기로 한다.이때 한번의 시뮬레이션 안에서 주사위를 2번 굴리고 그 합이 7이 나오냐를 여부를 if문으로 따져서, 참일 경우 카운트를 +1하도록 구현하면 될 것 같다.import numpy as nparray = [1,2,3,4,5,6]histogram_cnt_7 = 0count = 10000for _ in range(count): choice1 = np.random.choice(array) choice2 = np.ran.. A.I(인공지능)/Datascience 2024. 10. 20.

• 

  몬티홀 문제를 시뮬레이션을 통해 해결해보자! 아래 문제를 풀어보자! Q. Monty Hall 문제는 확률을 기반으로 한 의사결정 문제입니다. 문 3개 중 하나에 자동차가 있고, 다른 두 개에는 염소가 있습니다. 참가자가 문 하나를 고르면, 진행자가 다른 두 문 중 하나를 열어 염소를 보여줍니다. 그 후, 참가자가 선택을 바꿀지 결정해야 합니다. 선택을 바꾸는 것이 유리한 이유를 설명하세요.  몬티홀문제에 대해서 처음 들어본다면 아래 영상을 참고하세요. 몬티홀 문제는 확률세계에서 대단히 유명하면서도, 컴퓨터를 통한 시뮬레이션을 진행하기 이전까지는 찬반이 팽배했던 문제이다.이 문제의 핵심은 다음과 같다. 처음 선택한 문에 자동차가 없을 확률은 2/3이므로, 선택을 바꾸면 2/3의 확률로 자동차를 얻게 된다. 어떤 문이 열릴 지 알 수 없다면 항상 변수.. A.I(인공지능)/Datascience 2024. 10. 20.

• 

  UserWarning: FigureCanvasAgg is non-interactive, and thus cannot be shown UserWarning: FigureCanvasAgg is non-interactive, and thus cannot be shown   이 경고는 보통 파이썬 주피터 환경에서 그래프가 제대로 표시되지 않을때 발생한다.나는 이 문제를 주피터 노트북에서 아래 코드를 실행하려고 했을때 마주했었다. 이 문제를 해결하는 방법은 간단하다.인라인 모드로 변경하면, 그 인라인 모드에 포함되어 있던 인터렉티브 모드 또한 실행이 되기에,인라인을 활성화시키는 방법이다.%matplotlib inline  전체코드는 다음과 같다.code>import matplotlib.pyplot as pltimport numpy as np%matplotlib inliney = np.arange(3)years = ['2018', '2019',.. TroubleShooting 2024. 10. 14.

• 

  엑셀데이터를 처리해보자! 이번시간에는 엑셀파일에 import하여 접근후, datascience, pandas, numpy를 활용하여 부가적인 데이터를 뽑아내고, 다시 새롭게 만들어진 output파일을 export해보려고 합니다! 해당 포스팅에서는 주피터 노트북을 활용하여 진행하였습니다. 아래와 같이 가락시장 경매 데이터(4월30일자)가 있습니다. 해당 데이터에는  사용할데이터: 가락시장_경매_데이터_2024.0430.xlsx 가락시장에서 진행된 경매기록에 대한 정보가 담겨있습니다. 우선 이를 코드상에서 쉽게 가공할 수 있도록 하기 위해 csv파일로 변환하는 작업부터 해보도록 하겠습니다. 0. xlsx파일을 csv파일로 변환하기import pandas as pd# Excel 파일 읽기df = pd.read_excel('./../d.. A.I(인공지능)/Datascience 2024. 9. 24.

• 

  세개의 이미지를 합쳐서 brg색상모델의 사진 추출하기! 지난시간에 이미지가 어떻게 디지털화 되는가 살펴보았습니다. 이미지는 어떻게 디지털화되는가?이번시간에는 이미지라는 것이 어떻게 디지털화 되는가에 대해서 알아보도록 하겠습니다. 1. 이미지의 개념(Concept of Image)  이미지(Image)란?   이미지란 강도값을 갖고 있는 행렬을 말합니다.jack-channel-python.tistory.com 그리고 이번시간에는 이를 활용하여 실제로 세개의 색상채널 이미지를 합쳐보도록 하겠습니다. Reference_code(1): 하나로 붙어있는 세 이미지를 잘라서 세개의 이미지로 보여주기import numpy as npimport skimage as skimport skimage.io as skioimport matplotlib.pyplot as plt# n.. Computer VIsion/응용(실전편) 2024. 9. 23.

• 

  datascience(기초) - 주피터를 사용한 기본적인 테이블 생성방법 1. 시작하기에 앞서..  2. 테이블 생성하기  3. 값에 접근하기 자료구조/datascience 자료구조 2024. 9. 23.

• 

  특징점(KeyPoint) 검출에 효과적인 Harris-Corner Detector에 대해 알아보자! 여러분 이미지 속 세상을 정확하게 파악하고 싶으신가요?이번시간에는 중요한 특징점을 찾고 검출해내는데 효과적인 'Harris 코너 검출기' 에 대해 소개해보도록 하겠습니다.     마치며..Harris 코너 검출기는 이미지의 중요한 특징점을 찾아주므로 지난 수십년간 많은 사랑을 받아온 영상처리 알고리즘입니다. 물체인식, 이미지 매칭 뿐만 아니라 3D Modeling 등 다양한 분야에서 활용되는 강력한 도구입니다. 이미지의 코너를 정확하게 찾아내어 더욱 정교한 분석이 가능하도록 해줍니다. 참고자료:링크(1): (OpenCV DOC)Harris Corner Detection링크(2): OpenCV - 26. 이미지의 특징점(Keypoints)과 특징점 검출기(Keypoints detector) 이것으로 이번 .. Computer VIsion/입문(이론편) 2024. 9. 17.

• 

  '템플릿 매칭'에 효과적인 SIFT-Descriptor에 대해 알아보자! 이번시간에는 두 이미지 간의 템플릿을 비교(매칭)하는 방법과 그 과정에 대해서 설명드리겠습니다.흔히 컴퓨터비전에서는 두 이미지를 제시하고 여기서 특징점을 파악하여 왼쪽이미지의 이 부분과 오른쪽 이미지의 이 부분이 같은 것을 어떻게 수학적으로 알아낼 수 있을지에 대한 것이 주요 관심사였는데, 이 주제를 보통 'Template Matching'이라고 부릅니다.이 템플릿 매칭을 어떻게 효과적으로 해결할지에 대해서 얘기할때 대표적으로 거론되는 알고리즘 중 하나가 바로 SIFT-Descriptor입니다.  SIFT Descriptor란?정의:Scale-Invariant Feature Transform Descriptor의 약자로, 이미지 내에서 특징정(keypoint)을 찾아내고, 그 특징점을 나타내는 고유한 벡.. Computer VIsion/입문(이론편) 2024. 9. 15.

• 

  Invariance(불변성) VS Discriminability(변별성) 오늘은 서로 상충되는 개념인 불변성과 변별성의 관계에 대해 알아보도록 하겠습니다.해당 내용은 과거부터 연구되어온 영상처리 분야에 더 가깝다고 볼수가 있는데요!  이미지 분석을 위해 이 두가지 속성은 서로 양립할 수 없는 그러한 관계입니다. 1. Invariance(불변성)1.1 정의:이미지나 비디오 데이터에 특정 변환이 가해져도 특징이 유지되는 성질 1.2 불변성의 네가지 종류:- 평행 이동 불변성: 이미지가 이동하더라도 특징이 동일하게 인식되는 성질.- 회전 불변성: 이미지가 회전하더라도 특징이 동일하게 인식되는 성질- 크기 불변성: 이미지가 확대 또는 축소되더라도 특징이 동일하게 인식되는 성질- 조명 불변성: 조명 조건이 변하더라도 특징이 동일하게 인식되는 성질 1.3 예시:- 얼굴 인식 시스템에서,.. Computer VIsion/입문(이론편) 2024. 9. 2.