아직 초반 강의 부분을 보고 있지만 일부 리소들에 대해서 리소스 폴더에서 로드하는 내용들이 제법 있는 것 같은데 제가 알기로는 리소스 폴더에서 로드하는 방식의 경우 빌드 시 전부 포함이 되기 때문에 무거워져 비선호한다로 알고 있습니다.현업에서 정말로 이렇게 쓰이는지가 궁금합니다. 추가적인 질문으로는 요즘 결합도 관련해서 경험이 많이 부족했어서 이것저것 고민을 하고 있는 상황입니다. 챗지피티를 통해 인스턴스를 통한 다른 클래스에서의 사용이 결합도를 높이는 좋지 않은 것으로 챗지피티에서 알려주고 있는데 싱글톤을 통한 인스턴스들을 또 사용이 제법 나오는데 이또한 현업에서도 허용범위인가요??

안녕하세요. 수강중 궁금한게 있어 질문 남깁니다. 데이터 시트 상 각 전원부를 설계하는과정에서 VDD쪽 : 0.1uF 캡 15개와 4.7uF 캡 두개를 사용하는 반면 강의 5:51초의 경우 0.1uF 5개와 4.7uF 1개를 사용합니다. ADC 전원공급을 위한 VDDA도 데이터시트에 비해 용량이 크게 선정된것같은데 ADC부의 경우 전압의 안정적인 공급?을 위해 용량을 크게 사용했다고 이해했지만 VDD의 경우는 오히려 더 적게 사용되어서 의문이 들어 질문 남겼습니다! 혹시 VDD의 핀이 6개이기에 6개의 캡 조합을 사용한게 맞을까요?  

학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요!질문과 관련된 영상 위치를 알려주면 더 빠르게 답변할 수 있어요먼저 유사한 질문이 있었는지 검색해보세요 원핫 인코딩이나 레이블 인코딩 할 때, 강의를 보면 object인 컬럼에서 카테고리(or nunique)가 같은지 비교하고 그에 따라 다르게 작업을 하는데요.그냥 비교할 필요없이 항상 concat을 한 후에 원핫인코딩이든 레이블인코딩을 진행하면 불리한 점이 있을까요? 떄에 따라 다르게 대응하는 것보다는 기본적으로 concat을 하고 인코딩을 하는게 가장 안 헷갈리고 편한 방법 같아서 문의드립니다.

 학습하는 분들께 도움이 되고, 더 좋은 답변을 드릴 수 있도록 질문전에 다음을 꼭 확인해주세요.1. 강의 내용과 관련된 질문을 남겨주세요.2. 인프런의 질문 게시판과 자주 하는 질문(링크)을 먼저 확인해주세요.(자주 하는 질문 링크: https://bit.ly/3fX6ygx)3. 질문 잘하기 메뉴얼(링크)을 먼저 읽어주세요.(질문 잘하기 메뉴얼 링크: https://bit.ly/2UfeqCG)질문 시에는 위 내용은 삭제하고 다음 내용을 남겨주세요.=========================================[질문 템플릿]1. 강의 내용과 관련된 질문인가요? (예/아니오)2. 인프런의 질문 게시판과 자주 하는 질문에 없는 내용인가요? (예/아니오)3. 질문 잘하기 메뉴얼을 읽어보셨나요? (예/아니오)[질문 내용]여기에 질문 내용을 남겨주세요.void로 써야하나요?

 학습하는 분들께 도움이 되고, 더 좋은 답변을 드릴 수 있도록 질문전에 다음을 꼭 확인해주세요.1. 강의 내용과 관련된 질문을 남겨주세요.2. 인프런의 질문 게시판과 자주 하는 질문(링크)을 먼저 확인해주세요.(자주 하는 질문 링크: https://bit.ly/3fX6ygx)3. 질문 잘하기 메뉴얼(링크)을 먼저 읽어주세요.(질문 잘하기 메뉴얼 링크: https://bit.ly/2UfeqCG)질문 시에는 위 내용은 삭제하고 다음 내용을 남겨주세요.=========================================[질문 템플릿]1. 강의 내용과 관련된 질문인가요? (예/아니오)2. 인프런의 질문 게시판과 자주 하는 질문에 없는 내용인가요? (예/아니오)3. 질문 잘하기 메뉴얼을 읽어보셨나요? (예/아니오)[질문 내용]여기에 질문 내용을 남겨주세요. void로 풀었는데 큰 상관없는건가요?

문제1-2. gender를 종속변수로 하고 나머지 변수들(age, length, diameter, height, weight)을 독립변수로 사용하는 로지스틱 회귀 모델을 적합시킨 후, 잔차 이탈도(Residual Deviance)를 계산하시오. (반올림하여 소수 둘째자리까지 계산) 인강에서는 glm으로 풀고 문제집에서는 logit으로 푸는데 그냥 glm 말고 logit으로 풀면 안되나요?그리고 import statsmodels.api as sm을 꼭 넣어야 하나요? 넣지 않아도 답이 나오더라구요.

 학습하는 분들께 도움이 되고, 더 좋은 답변을 드릴 수 있도록 질문전에 다음을 꼭 확인해주세요.1. 강의 내용과 관련된 질문을 남겨주세요.2. 인프런의 질문 게시판과 자주 하는 질문(링크)을 먼저 확인해주세요.(자주 하는 질문 링크: https://bit.ly/3fX6ygx)3. 질문 잘하기 메뉴얼(링크)을 먼저 읽어주세요.(질문 잘하기 메뉴얼 링크: https://bit.ly/2UfeqCG)질문 시에는 위 내용은 삭제하고 다음 내용을 남겨주세요.=========================================[질문 템플릿]1. 강의 내용과 관련된 질문인가요? (예/아니오)2. 인프런의 질문 게시판과 자주 하는 질문에 없는 내용인가요? (예/아니오)3. 질문 잘하기 메뉴얼을 읽어보셨나요? (예/아니오)[질문 내용]여기에 질문 내용을 남겨주세요. void로 밖에 쓸 수 없나요?

섹션8번에있는 문제들에대해서 사전에 문제를 풀어보고싶은데 혹시 통합해서 정답이안나오거나 맨뒤에 한번에나오게해서 통합버전을 올려주실순없는지 궁금합니다.강의듣기전 먼저 풀어보고 틀린문제위주로 해설을 듣고 싶습니다.

안녕하세요 선생님현재 애플리케이션을 MSA에서 모놀리식으로 바꾸고 있습니다.MSA 에서는 hot-article 애플리케이션에서는각각의 서비스들과 통신하지 않고 데이터를 저장하기 위해ArticleCommentCountRepository, ArticleViewCountRepository,ArticleLikeCountRepository 를 따로 만든 것으로 이해했습니다 .모놀리식에서는 이 3개의 Count Repository를 따로 만들지 않고 각각의 서비스에 있는 Count Repository 에서 가져오는 것이 더 좋을까요, 아니면아니면 MSA hot-article 패키지에 따로 count repository를 만드는 것이 좋을까요 ..선생님의 의견이 궁금합니다 .

 동적 계획법 알고리즘에서 사용되는 테이블을 캐시라고 말할께요.만약, dp[y][x]에 값을 최초로 갱신하고 이후에 또 다른 경로 B로 (y,x)에 도달하게 되면 바로 dp[y][x]를 가져다 사용하게 될 겁니다.하지만 만약에 저장했던 최초로 연산했던 최장 경로와 다른 경로 B가 겹치게 된다면 캐시값을 사용하지 않고 직접 연산했을 상황에서는 무한 loop가 발생한것이니, 이런 상황 때문에라도 위치 정보만으로 캐싱하면 안되는거 아닌가요? 그렇게 생각해서 저는 처음에 위치 정보 뿐만 아니라 방문한 정점 정보도 key 값으로 사용하려다 실패하고 큰돌님 강의를 봤네요.애초에 이런 일이 발생하지 않아서 위치 정보만으로 캐싱해도 되는 것인지, 아니면 제 생각이 잘못되었는지 궁금합니다.

안녕하세요 질 좋은 강의 잘보고 있습니다. 실무에서 제가 담당한 프로덕트 growth 방정식을 세우면서 질문이 있습니다.  [대전제] 이 프로덕트는 기업고객 (B2B) 로 뷰티케어 1인 사업자들의 CRM 프로덕트 입니다. BM는 크게 나누면 연간 / 월간 구독이 있으며 각각 Standard, Pro 로 구분되어있습니다.   성장 목표 (기대매출) = A (New paying user) + B (Existing paying user) A : 회원가입율 x 1달 무료 서비스 사용률 x 유료 전환율 x 월별 결제율 B : 기존 연간 유료 유저(명) x 기존 연간 결제율 (YRR) 기존 월간 유료 유저(명) x 기존 월간 결제율 (MRR) [질문]상단의 사업일 경우, churn rate 변수는 어떻게 반영하는지? 예를들어, 강의에서 언급한 알람앱 같은 경우 (DAU x 구매전환율 x AOV x 재구매율) x  (1-이탈율) 방정식을 쓴 것으로보아 이탈율을 반영한 매출 방정식을 만들어서요, 또한 B2B 특성상 CAC 대비 이탈 관리가 타격이 큽니다. 이탈율 변수는 방정식에 어떻게 반영하는게 좋을까요?질문에 필요한 정보가 더 필요하시면 말씀 부탁드립니다.

The IAPP CIPP-A Exam is one of the most important certifications for privacy professionals in Asia. Offered by the International Association of Privacy Professionals (IAPP), this exam focuses on data protection laws, regulations, and practices in the Asia-Pacific region. It helps professionals understand how to manage and protect personal data according to local legal standards.CIPP-A stands for Certified Information Privacy Professional Asia. It is a respected certification for those working in legal, compliance, IT, and data management fields. Passing this exam shows that you understand privacy concepts and can apply them in real-world situations. It also improves your credibility in the global privacy industry.IAPP CIPP-A Exam Difficulty and Pass RateMany candidates want to know how hard the IAPP CIPP-A Exam is and what the chances are of passing it. The exam is considered moderately difficult. It requires both legal knowledge and practical understanding of privacy rules in different Asian countries like Singapore, Hong Kong, South Korea, India, and others.The pass rate is not officially published by IAPP, but experts suggest that preparation is key. Most successful candidates spend at least 30-40 hours studying. They use practice exams, coursebooks, and online resources. A smart study plan and repeated practice can greatly improve your chances.Best Study Materials for the IAPP CIPP-A ExamA very common question is: what are the best materials to study for the IAPP CIPP-A Certification? Many professionals recommend the official IAPP textbook for CIPP-A, along with training videos and practice tests. However, finding up-to-date, easy-to-understand resources can be hard.That’s why platforms like prepbolt are highly recommended. They offer simple, focused, and effective learning tools. You can access mock exams, summaries, and topic-wise questions that match the real exam format. These tools help you understand the concepts better and test your knowledge in a smart way.If you are serious about passing the CIPP-A exam on your first try, consider using trusted platforms like prepbolt. Their materials are prepared by experts and are made for busy professionals.

ㅈㄱㄴ입니다

안녕하세요.12강에 도커 서버구축 파일들은 어디서 다운이 가능한가요?heroku를 쓰고 있는데 거기에 설치를 한번 해볼려고 합니다.

강사님 안녕하세요 데이터셋을 다루는 중에 이상치가 보여서 train 데이터는 전처리했는데,혹시 test 데이터도 이상치가 있더라도 따로 처리하지 않고 그대로 두는 게 더 나은 걸까요?그리고 현재 데이터셋으로 모델 평가했을 때 RMSE가 778 정도 나오는데, 이 정도면 성능이 괜찮은 걸까요?train.loc[1659,'총구매액'] = 0train.loc[3174,'총구매액'] = 0train.loc[3488,'총구매액']= 0train.loc[1659,'최대구매액'] = 0# print(train[(train['총구매액']<0) | (train['최대구매액']<0)])print(test[test['최대구매액']<0]) #2test.loc[579,'최대구매액'] = 0test.loc[1177,'최대구매액'] = 0print(test[test['최대구매액']<0]) 감사합니다

학습하는 분들께 도움이 되고, 더 좋은 답변을 드릴 수 있도록 질문전에 다음을 꼭 확인해주세요.1. 강의 내용과 관련된 질문을 남겨주세요.2. 인프런의 질문 게시판과 자주 하는 질문(링크)을 먼저 확인해주세요.(자주 하는 질문 링크: https://bit.ly/3fX6ygx)3. 질문 잘하기 메뉴얼(링크)을 먼저 읽어주세요.(질문 잘하기 메뉴얼 링크: https://bit.ly/2UfeqCG)질문 시에는 위 내용은 삭제하고 다음 내용을 남겨주세요.=========================================[질문 템플릿]1. 강의 내용과 관련된 질문인가요? (예/아니오) 예2. 인프런의 질문 게시판과 자주 하는 질문에 없는 내용인가요? (예/아니오) 예3. 질문 잘하기 메뉴얼을 읽어보셨나요? (예/아니오) 예[질문 내용]여기에 질문 내용을 남겨주세요. @PutMapping("/api/v2/members/{id}") public updateMemberResponse updateMemberV2( @PathVariable("id") Long id, @RequestBody @Valid updateMemberRequest request) { memberService.update(id, request.getName(), request.getAddress()); // Member findMember = memberService.findOne(id); return new updateMemberResponse(id, request.getName(), request.getAddress()); }return에 requst의 값을 넣어서 반환 받는 건 안 좋은 방법일까요?findMember로 꺼내서 return 하면 request로 바로 하는 것 보다 어떤 이점이 있는건가요?

여태까지 인코딩 할 때 train에만 있는 컬럼, test에만 있는 컬럼 고려하지 않고 사진처럼 바로 라벨인코딩을 했습니다. 최근에 업데이트된 영상을 보니 카테고리가 다를 때 혹은 포함할 때 등 이런 경우를 고려해서 적용하던데 원래 제 방식대로 해도 문제 없나요?

# 출력을 원하실 경우 print() 함수 활용# 예시) print(df.head())# getcwd(), chdir() 등 작업 폴더 설정 불필요# 파일 경로 상 내부 드라이브 경로(C: 등) 접근 불가import pandas as pdtrain = pd.read_csv("data/customer_train.csv")test = pd.read_csv("data/customer_test.csv")#총 구매금액 , rmse target = train.pop("총구매액")#수치형 변수 스케일링cols = train.select_dtypes(exclude = 'object').columnsfrom sklearn.preprocessing import MinMaxScalermx = MinMaxScaler()train[cols] = mx.fit_transform(train[cols])test[cols] = mx.transform(test[cols])ob = train.select_dtypes(include = 'object').columnsfrom sklearn.preprocessing import LabelEncoderfor col in ob: le = LabelEncoder() train[col] = le.fit_transform(train[col]) test[col] = le.transform(test[col])#데이터 나누기from sklearn.model_selection import train_test_splitx_tr , x_val , y_tr, y_val = train_test_split(train, target, test_size = 0.2, random_state = 0)import lightgbm as lgmodel = lg.LGBMRegressor(random_state = 0)model.fit(x_tr,y_tr)pred = model.predict(x_val)from sklearn.metrics import root_mean_squared_errorr = root_mean_squared_error(y_val,pred)pred = model.predict(test)s = pd.DataFrame({"pred" : pred})s.to_csv("result.csv", index= False)df = pd.read_csv("result.csv")#758.1836860967057800정도가 나온다고 하던데 758이 나온거면 모델 성능이 더 좋다고 하는건데 이게 이상일수도 있을까요? 750점 대가 나오니까 불안하네요 ,, 추가로 이렇게 pd.read_csv로 확인했을때 제대로 나오면 그냥 제출하면 되는거죠??

import pandas as pd train = pd.read_csv("https://raw.githubusercontent.com/lovedlim/inf/main/p2/ceredit%20card/train.csv") test = pd.read_csv("https://raw.githubusercontent.com/lovedlim/inf/main/p2/ceredit%20card/test.csv") # train = pd.read_csv("train.csv") # test = pd.read_csv("test.csv") train.info() train.isnull().sum() #원핫 인코딩 y_train = train.pop('Attrition_Flag') train_oh = pd.get_dummies(train) test_oh = pd.get_dummies(test) data = pd.concat([train,test],axis =0) data_oh=pd.get_dummies(data) train_oh= data_oh.iloc[:len(train)].copy() test_oh= data_oh.iloc[len(train):].copy() #인코딩 다음에 해야할일은? 검증 데이터 분할 train.shape, test.shape, y_train.shape from sklearn.model_selection import train_test_split X_tr,X_val,y_tr,y_val = train_test_split(train_oh,y_train,test_size=0.2,random_state=0) print(X_tr.shape, X_val.shape, y_tr.shape, y_val.shape) from sklearn.ensemble import RandomForestClassifier rf=RandomForestClassifier(random_state=0) rf.fit(X_tr,y_tr) pred=rf.predict(X_val) pred_proba=rf.predict_proba(X_val) #평가 from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score # 정확도 print(accuracy_score(y_val, pred)) # 정밀도 print(precision_score(y_val, pred)) # 재현율 (민감도) print(recall_score(y_val, pred)) # F1 print(f1_score(y_val , pred)) pred=rf.predict_proba(test_oh) submit = pd.DataFrame({ 'CLIENTNUM':test['CLIENTNUM'], 'Attrition_Flag':pred[:,1] }) submit.to_csv("435706131.csv",index=False)

ols를 이용해서 종속변수를 예측할때는 바로 model.predict(train) 이런식으로 바로 진행했잖아요,근데 여기서 test데이터에서 종속변수로 주어진 값을 pop하고, model.predict(test) > 0.5 이런식으로 진행하는 이유가 궁금합니다.. 복습을하다보니 헷갈려서요.. ols와 logit의 특성 차이일까요?