mse구할때 model.mse_resid와 값이 다른데 뭐가 맞나요

안녕하세요 파이썬 자체는 한글 변수명을 허용하는 것으로 알고 있습니다.시험 환경에서도 변수명을 한글로 써도 될까요?매번 작명하기 귀찮아서요,, 감사합니다

안녕하세요, XGBRegressor 학습 시 나타나는 warning으로 실제 오류와 자주 헷갈려서, import warningswarnings.filterwarnings('ignore') 실행 후 코드를 계속 실행해도 괜찮을 지 여쭤보고자 문의 드립니다. 좋은 강의 감사합니다.

강의를 수강하시다가 막히는 부분이 있는 경우는 "자주 묻는 질문"을 먼저 참고 부탁드립니다.막히는 부분에 대해서 질문을 주실 때에는 꼭 강의 제목과 타임라인도 같이 작성 부탁드립니다 오늘 판단을 분석해봤는데요데드크로스를 들어갔는데, 골든크로스가 견고하다고 잘못 판단하는 것 같습니다. 

안녕하세요. 강의 잘 듣고 있습니다. libuv 발음이 '립유브이' '엘아이비유브이' '리버브' 등 발음법이 계속 바뀌네요. 다른 질문에서 답변으로 AI로 만든 강의 아니다라고 하셨고 직접 녹음한거라고 하셨는데 직접 하신거라면 조금 아쉬운 것 같습니다. 강의 내용도 흥미롭고 좋은 주제를 다루는 것 같아서 배울게 많아 정말 좋은데 이런 부분들이 조금 강의의 퀄리티를 떨어뜨리는 것 같아서 보완해주시면 좋을 것 같습니다. 강의는 정말 잘 듣고 있는 만큼 보완되었으면 하는 마음에 조심스레 글 남깁니다.

노션 링크는 어디서 찾을 수 있나요

경우의 수에 대해서 설명하는데 있어 반복해서 들어도 이해가 되지 않아 문의드립니다.4라는 숫자를 만드는데 DP[4]로 설정하시면서 DP[N]은 해당 N을 만들 수 있는 경우의 수라고 하셨습니다.처음에 DP[0]이면 0을 만들 수 있는 방법이라고 하셨을 때 1로만 한다면 아무것도 안 더하면 1개의 경우가 생깁니다. 그러면 2로 한다고 했을 때도 아무것도 안 더해서 1가지 경우가 추가가 되니 2가 되는게 아닌가요?또한, 2를 통하여 1을 만드는 방법은 없으니 이전의 방법이 그대로 오고 2를 만드는 경우는 이전에 1을 통하여 1개가 있으니 2만 더하여 있는 경우 1개를 더하여 2가지인건 알겠는데 3의 경우 2+1 이 어디서 나온건지 모르겠습니다.질문이 너무 복잡해 보인점 양해부탁드립니다. 정말로 이해가 안되서 그렇습니다...

'views' 컬럼의 1사분위수, 3사분위수 그리고 IQR을 계산하시오.이상치 조건에 맞는 데이터를 찾으시오. (이상치는 1사분위수 – (IQR 1.5)보다 작은 값과 3사분위수 + (IQR 1.5)보다 큰 값)이상치 데이터의 'views' 컬럼 합을 정수로 구하시오. 문제를 푸는데 1사분위수와 3사분위수를 새로운 df['1qr'] df['3qr''] 이라는 컬럼을 생성해서 저장하고싶은데 시험 점수에는 영향이없나요

안녕하세요 노션 링크는 어디에 있나요?

안녕하세요 선생님, 게임 업계에서 4년동안 C++을 개발하다가 직종 변경을 하려고 MFC를 듣고 있는 수강생입니다 이 MFC와 C++을 가지고 어떤 포트폴리오를 만들어야 이직이 가능할지 전혀 감이 안오고 있는데 어떤 프로그램을 만들어봐야 괜찮을까요?

Image optimization reduces file sizes without sacrificing visual quality, directly improving page speed, Core Web Vitals scores, and SEO rankings. Key techniques include adopting next-gen formats like WebP and AVIF, implementing lazy loading, using responsive images with srcset, compressing files at the right quality level, and adding descriptive alt text.Images are the web's heaviest passengers. According to the 2025 Web Almanac by HTTP Archive, the median mobile home page now weighs 2.36 MB—up from just 845 KB a decade ago. A significant portion of that weight comes from images, and the cost of ignoring that fact shows up quickly in slower load times, higher bounce rates, and lower search rankings.For developers and business owners—whether building a global SaaS product or managing website development Qatar—the principles of image optimization are universal. A poorly optimized image doesn't just slow down a page. It chips away at user experience, conversions, and your Google rankings all at once.The good news is that image optimization doesn't require a full site rebuild. A handful of targeted techniques can dramatically reduce page weight, improve Largest Contentful Paint (LCP) scores, and make your site feel noticeably faster. This guide breaks down the most effective methods, from choosing the right file format to implementing lazy loading and responsive images.Why Does Image Optimization Matter for Website Performance?Page speed is a confirmed Google ranking factor, and images are typically the single largest contributor to page weight. According to Google's Core Web Vitals framework, a good LCP score—which measures how quickly the largest visible content element loads—must come in under 2.5 seconds. Unoptimized images are one of the most common reasons sites fail this benchmark.The 2025 Web Almanac puts the stakes in perspective: pages under 1 MB pass Core Web Vitals 70% of the time. As pages grow heavier, that pass rate drops sharply. For any site competing in organic search, that's not a statistic to ignore.Beyond SEO, there's the user experience angle. Slow-loading images frustrate visitors and increase bounce rates, particularly on mobile connections where bandwidth is limited.What Are the Best Image Formats for Web Performance in 2025?Choosing the right file format is the single highest-leverage decision in image optimization. Not all formats are created equal—each carries a different file size for equivalent visual quality.According to the 2024 Web Almanac (HTTP Archive), the median bits per pixel across formats breaks down as follows:GIF: 6.7 bits per pixelPNG: 3.8 bits per pixelJPEG: 2.0 bits per pixelAVIF: 1.4 bits per pixelWebP: 1.3 bits per pixelWebP and AVIF are the clear leaders for compression efficiency. Both formats deliver smaller files at comparable or better visual quality than JPEG and PNG.WebP: A Widely Supported, Efficient DefaultDeveloped by Google, WebP supports both lossy and lossless compression. It consistently outperforms JPEG on file size while maintaining strong visual quality. Browser support is now near-universal, making WebP a reliable default for most use cases. According to the 2024 Web Almanac, WebP adoption has continued to grow year over year, picking up three percentage points in the most recent reporting period.AVIF: The Compression Leader Worth KnowingAVIF (AV1 Image File Format) edges out WebP on compression efficiency, with a median of 1.4 bits per pixel versus WebP's 1.3. At first glance, the difference looks minor—but it compounds across a page with dozens of images. AVIF also supports HDR and wide color gamut, making it the better choice for high-fidelity photography and product imagery. Browser support has improved significantly, though older browsers still require fallbacks.When to Still Use JPEG and PNGJPEG remains a practical choice when broad compatibility is the priority, or when working with legacy systems that don't support modern formats. PNG is best reserved for images that require transparency or pixel-perfect detail, such as logos and icons. For everything else, WebP or AVIF is the smarter default.How to Implement Responsive Images CorrectlyServing the same 2,400-pixel-wide image to a mobile phone with a 390-pixel screen is wasteful. Responsive images fix this by delivering appropriately sized files based on the user's device and viewport.Using the srcset Attribute for Resolution SwitchingThe srcset attribute allows browsers to select the most appropriate image from a set of candidates. By pairing it with the sizes attribute, you give the browser the context it needs to make an informed choice.<img src="hero-800.webp" srcset="hero-400.webp 400w, hero-800.webp 800w, hero-1600.webp 1600w" sizes="(max-width: 600px) 100vw, 50vw" alt="Hero image description" />This single implementation can reduce image payload by 50–80% on mobile devices compared to serving a single full-size file.Using the <picture> Element for Format FallbacksThe <picture> element lets you serve different formats to different browsers, using AVIF for those that support it and falling back to WebP or JPEG for those that don't.<picture> <source srcset="image.avif" type="image/avif" /> <source srcset="image.webp" type="image/webp" /> <img src="image.jpg" alt="Descriptive text" /> </picture>This approach is particularly useful during the transition period as AVIF adoption grows across browser versions.What Is Lazy Loading and Should You Use It?Lazy loading delays the loading of off-screen images until a user scrolls toward them. Instead of loading every image when the page first renders, the browser prioritizes visible content and defers the rest.Native lazy loading requires just one HTML attribute:<img src="product.webp" loading="lazy" alt="Product name" />This reduces initial page load time and saves bandwidth for users who never scroll past the fold. For long pages with many images—like e-commerce product listings or blog archives—the performance gains are substantial.When Not to Use Lazy LoadingLazy loading should never be applied to above-the-fold images, particularly the LCP element. Doing so forces the browser to delay loading the most important visual on the page, which directly harms Core Web Vitals scores. Apply loading="lazy" only to images below the fold.Why Alt Text Matters for Both SEO and AccessibilityAlt text is one of the most overlooked aspects of image optimization, and the data underscores the gap. According to the 2024 Web Almanac, 45% of <img> elements on the web have no alt text at all.This is a problem on two fronts. First, search engines rely on alt text to understand image content, since they cannot interpret visuals directly. Second, screen readers use alt text to describe images to users who are blind or visually impaired. Missing alt text simultaneously hurts SEO and excludes a meaningful portion of your audience.How to Write Effective Alt TextGood alt text is specific and descriptive without being verbose. Avoid generic phrases like "image" or "photo." Instead, describe what the image shows and, where relevant, its context on the page.❌ alt="image1.jpg"❌ alt="photo"✅ alt="Aerial view of the Doha skyline at dusk"For purely decorative images that add no meaningful content, use an empty alt attribute (alt="") so screen readers skip them.

안녕하세요. 해당 문제를 아래와 같이 풀었는데 저는 계속 0.253이 나오는데 정답이 0.254여서 제가 어떤 부분에서 틀렸는지 알고 싶습니다. 감사합니다. [출력결과] OLS Regression Results ============================================================================== Dep. Variable: heating_load R-squared: 0.754 Model: OLS Adj. R-squared: 0.752 Method: Least Squares F-statistic: 417.8 Date: Tue, 16 Jun 2026 Prob (F-statistic): 2.02e-164 Time: 12:24:27 Log-Likelihood: -1772.0 No. Observations: 550 AIC: 3554. Df Residuals: 545 BIC: 3576. Df Model: 4 Covariance Type: nonrobust ============================================================================== coef std err t P>|t| [0.025 0.975] ------------------------------------------------------------------------------ Intercept 38.3821 1.504 25.517 0.000 35.427 41.337 wall 0.0304 0.030 1.012 0.312 -0.029 0.090 roof 0.2483 0.006 39.564 0.000 0.236 0.261 glazing 0.2217 0.023 9.693 0.000 0.177 0.267 height -0.2469 0.077 -3.212 0.001 -0.398 -0.096 ============================================================================== Omnibus: 0.698 Durbin-Watson: 1.896 Prob(Omnibus): 0.705 Jarque-Bera (JB): 0.785 Skew: -0.077 Prob(JB): 0.675 Kurtosis: 2.899 Cond. No. 805. ============================================================================== Notes: [1] Standard Errors assume that the covariance matrix of the errors is correctly specified. 0.25349999999999995 [코드]# 1) 데이터 불러오기 df = pd.read_csv("https://raw.githubusercontent.com/lovedlim/inf/refs/heads/main/p4/10_3/heating.csv") # 모든 독립변수를 포함한 회귀모형을 적합하시오. 다중 선형 회귀 분석 from statsmodels.formula.api import ols model = ols("heating_load ~ wall + roof + glazing + height", data = df).fit() print(model.summary()) # 이때 절편을 제외한 회귀계수의 합을 구하시오. print(0.0304+ 0.2483+ 0.2217+ ( -0.2469) ) # 0.253

작업형2를 할때 원-핫 인코딩이나 레이블인토딩을 진행해서 더 성능이 좋은 모델을 쓰고 있는데 강의에서 불균형일때 원-핫인코딩처럼 합쳣다가 푸는 방식으로 추천해주셨는데 레이블도 합쳤다가 푸는형식으로 해도 상관이 없는지? 와 안전하게 그냥 둘다 합쳐서 인코딩하는 방식으로 해도 상관없는지 궁금합니다!

중간에 과정이 편집되었는데,엄청 간단한 거지만 제가 못찾고 있는 걸까요? 드래그해도 안되고, file에 import 하는 것도 없고, 폰트 불러오기 검색해도 안떠서 질문드립니다. 어떤 과정을 해야 강의처럼 되는건지 궁금합니다! ㅠㅠ

62강 노션 링크 사용권한 승인 부탁드립니다.

안녕하세요62강 노션 링크 사용권한 승인 부탁드립니다.

직원별 profile gateway를 systemd 서비스로 상시 실행하려고 아래 명령을 실행했습니다. hermes -p mia gateway install 그런데 반복되는 핵심 에러가 나왔어요 Failed to connect to user scope bus via local transport: No such file or directory gpt에 물어보고 따라해도 계속 안되고 https://dante-labs.com/blog/hermes-dashboard-hosting여기서 3단계 systemd 사용자 서비스를 따라함 이거 잘 따라했어요minam@DESKTOP-BF4O534:~$ systemctl --user daemon-reloadFailed to connect to user scope bus via local transport: No such file or directory안되서 export XDG_RUNTIME_DIR="/run/user/$(id -u)" 를 먼저 실행하고 다시 시도합니다 minam@DESKTOP-BF4O534:~$ systemctl --user status hermes-dashboard.serviceFailed to connect to user scope bus via local transport: No such file or directory linger 명령을 실행합니다 minam@DESKTOP-BF4O534:~$ systemctl --user status hermes-dashboard.serviceFailed to connect to user scope bus via local transport: No such file or directory 오늘 이거 하느라 시간을 너무 많이 잡아먹었네요..도움 부탁드려요.  

안녕하세요전체적으로 이런 식으로 작업형 2를 풀어왔는데,시험 전 마지막으로 올바른 코드인지 점검 부탁 드리고 싶습니다.EDA -> target값 분리 -> 스케일링 -> 인코딩 -> 데이터 분리 -> 머신러닝 -> 평가 -> 테스트 예측 순서로 풀어왔는데,AI한테 질문하니카테고리가 안맞아 train, test를 불가피하게 합쳐서 풀어야 할 땐, 인코딩을 먼저 하라는 말에 혼란스러워 질문 드립니다.import pandas as pd train = pd.read_csv("data/customer_train.csv") test = pd.read_csv("data/customer_test.csv") # 평가: RMSE (회귀) # target: 총구매액 (2482개의 행) # 결측값: 환불금액 # object 컬럼: 주구매상품, 주구매지점 (2개) / num 컬럼: 그외 (7+1개) pd.set_option('display.max_columns', None) print(train.shape, test.shape) # print(train.info()) # print(test.info()) # print(train.head()) # print(test.head()) # print(train.describe(include ='O')) # print(test.describe(include = 'O')) # 카테고리 확인 (주구매 불일치 -> 합쳐서 인코딩) o_cols = train.select_dtypes(include = 'O').columns # for col in o_cols: # if (set(train[col]) == set(test[col])): # print(col, '카테고리 일치') # else: # print(col, '카테고리 불일치') # 결측치 채우기 train['환불금액'] = train['환불금액'].fillna(0) test['환불금액'] = test['환불금액'].fillna(0) # print(train.isnull().sum().sum()) # print(test.isnull().sum().sum()) # id, target 분리 train_id = train.pop('회원ID') test_id = test.pop('회원ID') target = train.pop('총구매액') print(train.shape, test.shape) print(target.describe()) # 스케일링 n_cols = train.select_dtypes(exclude = 'O').columns # print(n_cols) # print(train.head()) from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() train[n_cols] = scaler.fit_transform(train[n_cols]) test[n_cols] = scaler.transform(test[n_cols]) # print(train.head()) # 인코딩 # 데이터 합치기 combined = pd.concat([train, test]) # 원핫 # combined = pd.get_dummies(combined) # train = combined[:len(train)] # test = combined[len(train):] # print(train.shape, test.shape) # 라벨인코더 from sklearn.preprocessing import LabelEncoder o_cols = train.select_dtypes(include = 'O').columns for col in o_cols: le = LabelEncoder() combined[col] = le.fit_transform(combined[col]) train = combined[:len(train)] test = combined[len(train):] print(train.shape, test.shape) # 데이터 분리 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) print(X_tr.shape, X_val.shape, y_tr.shape, y_val.shape) # 머신러닝 # 랜포 # from sklearn.ensemble import RandomForestRegressor # rf = RandomForestRegressor(random_state = 0) # rf.fit(X_tr, y_tr) # pred = rf.predict(X_val) # lightgbm import lightgbm as lgb model = lgb.LGBMRegressor(random_state = 0, verbose = -1) model.fit(X_tr, y_tr) pred = model.predict(X_val) # 평가 from sklearn.metrics import root_mean_squared_error rmse = root_mean_squared_error(y_val, pred) print(rmse) # 813.2017203251257 (원핫, 랜포) # 808.845167469651 (라벨, 랜포) # 779.7626410741833 (라벨, lgb) - 채택 # 779.7626410741833 (원핫, lgb) # 테스트 예측 (전체 train으로 학습) model.fit(train, target) pred = model.predict(test) submit = pd.DataFrame({'pred': pred}) submit.to_csv('result.csv', index = False) print(pd.read_csv('result.csv').head()) print(pd.read_csv('result.csv').shape)

VScode에서 작업한 파일들 켜는법을 몰라서 전 강의부터 진도를 못나가고있습니다

=========================================[질문 템플릿]1. 강의 내용과 관련된 질문인가요? (예)2. 인프런의 질문 게시판과 자주 하는 질문에 없는 내용인가요? (예)3. 질문 잘하기 메뉴얼을 읽어보셨나요? (예)[질문 내용]안녕하세요. 궁금증이 생겨서 질문을 드립니다.현재 듣고 있는 "트랜잭션 -개념 이해" 에서 격리수준에 대해서 설명할때 일반적으로 "READ COMMITTED"을 사용하고 이것에 대해서 설명한다고 했습니다."db - 기본 -11번 트랙잭션" 편에서 격리 수준을 설명 할때, 사진을 보면이렇게 격리 수준이 "REPEATABLE READ"로 바뀌어져 있는데요.그래서 궁금증은 지금 백엔드 개발을 한다면, "REPEATABLE READ" 이게 맞는 건가요? 아니면 "READ COMMITTED" 이게 맞는 건가요?