안녕하세요. 시간 가는줄도 모를 만큼 강의를 재밌게 들으며 배워가고 있는 수강생입니다. 강의를 듣던 중 Upstage API 연동이 잘 되지 않아 QnA 게시판을 보았는데, 저를 비롯한 많은 분들께서 Upstage API를 사용하고 있다는 것을 알게되었고 연동 관련해서 어려움을 느끼시는 것 같아 제가 해결한 과정을 같이 공유해보고자 글을 적었습니다. 저도 배워가는 과정인지라 표현이 서툴거나 잘못된 내용이 있을 수 있어 강사님의 피드백도 같이 공유 받을 수 있다면 더욱 좋을 것 같습니다..! 제가 해결한 방법을 결론 먼저 말씀드리면 chunk_list 길이를 찍었을 때 100개 이내인 경우에는 코드가 정상 동작했다는 것입니다. (대부분의 코드는 강사님께서 작성하신 내용을 그대로 따라했습니다.) # 에러 (chunk_list의 length가 100개 이상인 경우) # chunk_list = split_text(full_text, 1500) # 작동 (chunk_list의 length가 100개 미만인 경우) chunk_list = split_text(full_text, 1700) 위와 같이 split_text에서 1500으로 인자를 주었던 것을 1700으로 변경하면 chunk_list의 길이는 100개 미만이 되며, 이를 초과할 경우 400 ERROR 또는 add 작업 중 중간에 멈추며 에러가 발생했습니다. 따라서 저는 이러한 문제의 원인을 아래 내용이라고 추정하며 해결했습니다. 강의 촬영 당시 사용된 법률안에 비해 현재는 개정 등으로 인해 늘어난 문자열 수 1로 인해 인자값을 1500으로 주었을 때 강의 촬영 당시 대비 커져버린 chunk_list의 크기 2로 인해 chromaDB에 add 할 수 있는 개수가 100개 이상 초과하면 발생되는 오류 전체 코드 참고하실 분들은 아래 링크에서 참고하시면 좋을 것 같습니다. https://github.com/C0deH4ter/langchain-basics/blob/main/3.3%20Upstage%20Challenge/rag_without_langchain_chroma(w.Upstage).ipynb
예제로 만들어주신 데이터에서 추가적으로 데이터를 변경하여 테스트를 하고 싶은데요 아래 데이터를 가져 올 수 있을가요? Fred에서 제공하는 지표 코드 Yahoo 에서 제공하는 지표와 티커 나스닥 100의 티커 해당 정보를 어떻게 가져오는지 알아야 추후- 응용하면서 사용할 수 있을것 같습니다. 감사합니다.
2번 문제를 풀다가 sum을 쓰는 방법에 대해서 궁금한 점이 있어 문의 드리빈다. 저는 print((a.sum(axis=1) > 0.1).sum()) 이렇게 풀었는데, 선생님께서는 print(sum(a.sum(axis=1) > 0.1)) 이렇게 푸셨더라구요. 답은 같은데, 두 방법의 차이가 있을까요?
안녕하세요, score 기반 서치를 할 때 특정 유사도 미만이면 결과를 출력해주지 않았는데요 물론.... 프로젝트의 종류, 성질에 따라 다르지겠지만, 보통 스코어가 0.X 이상일 때 부터 그나마 관련이 있는 문서여서 사용자에게 보여줘도 된다 ! 라는 그런 수치가 혹시 있을까요? 본 강의에서는 0.6이라고 정의를 하셨는데 실제 도입할 때는 몇으로 하는지 궁금합니다
학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! 질문과 관련된 영상 위치를 알려주면 더 빠르게 답변할 수 있어요 먼저 유사한 질문이 있었는지 검색해보세요 자료형 1을 푸는데 df에 덮어쓴 수식이 잘못되서 시험에서 제공하는 처음 데이터 상태로 되돌릴 수는 없나요?
두 가지 질문이 있습니다. 1. 아래 코딩부분 강의에서는 유형별로 0,1 로 나오는데 제꺼는 true, false 로 나옵니다. 문제 없는건가요? 왜 다르게 나오는지 알고싶습니다. #원핫인코딩 df2 = pd.get_dummies ( df ) df2.head () model.summary 했을 때 나오지 않은 유형(강의에서는A)를 drop하면 되는건가요? 전부 다 나온다고 하면... 어떤 기준으로 드롭해야할까요?
학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! 질문과 관련된 영상 위치를 알려주면 더 빠르게 답변할 수 있어요 먼저 유사한 질문이 있었는지 검색해보세요 안녕하세요! 기출2회 작업형1 2번문제 문의드립니다. std1과 std2가 같게 나왔는데, 한번에 돌리다보니 덮어써진 것 같습니다. 질문들을 찾아보니 코드를 다시 쓰면 된다고 답변을 다셨던데, 어디에 어떤 코드를 쓰면 될까요? 그리고 처음 std1을 찾을 때도 강의와는 다른 값이 나오던데, 이거는 이유가 있을까요?
안녕하세요, 강의 너무나 잘 듣고 있습니다. 다름이 아니라 지금 제가 듣고 있는 mm_faster_rcnn_train_kitti를 다루고 있는 수업에서 old colab버전과 new kaggle 버전을 비교하는 과정에서 차이가 있는데, 이것이 저와 같이 컴뷰터 비전이 처음인 사람들에게 너무 큰 이슈여서 강사님께 이 부분을 개선시키면 어떨까 제안드리고픈게 있어서 제보드립니다. old colab 버전에는 ms coco데이터셋의 annotation 버전에서 변환한 mmdetection의 중립데이터형태 (mid point)에 대한 텍스트와 이미지를 활용한 설명이 꽤 자세하게 들어가 있는데, kaggle버전으로 넘어오면서 이 셀이 통째로 사라진듯하여 kaggle 버전에도 이것을 넣어주시는건 어떨까요? 강의를 봐도 이해가 가지 않아 여러번 돌려보다가 찾아서 제보드립니다 .
강사님 덕에 아무것도 몰랐던 파이선에 대해서 알고 빅분기 실기 준비 원활하게 잘 하고 있습니다. 주석처리 관련해서 Ctrl+/로 하는 걸로 아는데요.. 코랩이나 실기체험 프로그램에서 처음엔 잘 되다가 몇 분 지나면 안되는데, 왜 그럴까요.. 안되니까 너무 답답하네요...
저는 문제를 보고 9회차의 작업형2 방식과 동일하게 아래와 같이 했는데요 이렇게 해도 되나요? drop와 레이블인코딩을 하지 않았을때 값이 10정도 차이가 나서 질문 드립니다! # 라이브러리 및 데이터 불러오기 import pandas as pd train = pd.read _csv(" churn_train.csv ") test = pd.read _csv(" churn_test.csv ") target = train.pop('TotalCharges') train = pd.get_dummies(train) test = pd.get_dummies(test) from sklearn.model_selection import train_test_split X_tr, X_val, y_tr, y_val = train_test_split(train, target, test_size=0.2, random_state=0) #랜덤포레스트 from sklearn.ensemble import RandomForestRegressor rf = RandomForestRegressor(random_state=0) rf.fit (X_tr, y_tr) pred = rf.predict(X_val) from sklearn.metrics import mean_absolute_error print(mean_absolute_error(y_val, pred)) # LightGBM import lightgbm as lgb lg = lgb.LGBMRegressor(random_state=0, verbose=-1) lg.fit (X_tr, y_tr) pred = lg.predict(X_val) print(mean_absolute_error(y_val, pred))
안녕하세요. n8n의 새로운 Python (Native) (Beta) 런타임 은 보안 및 실행 환경 제어를 위해 이처럼 다른 노드의 데이터를 참조하는 비표준 _ 헬퍼 함수를 지원하지 않는다고 합니다. 아래 코드 수정이 필요해 보입니다. # n8n Code (Python) node merged = {} # 1) 모든 아이템의 json을 순서대로 병합 (뒤에 오는 값이 우선) for item in items: merged.update(item.get("json", {})) # 2) ID 추가 merged["ID"] = _('IMG - 시트 행 가져오기').first(). json.ID # 3) 단일 아이템으로 반환 return [{"json": merged}]
