작업형2 이진분류 문제에서 평가지표로 roc_auc_score을 주고, pred결과 예시는 A,B와 같은 문자로 제시되어있는 경우에 model.predict_proba을 제출하는게 아니라 model.predict을 제출해야 되는건가요? 강의 1회독할 때 위와같은 경우에도 확률값을 나타내는 predict_proba 을 그대로 제출해도 된다들었는데, 알려주시면 감사하겠습니다! ( 직전에 동일한 질문올렸는데, 이상하게 질문이 삭제가 되어서 다시 올립니다.)
target값 분리를 하여 진행하는 경우에는 스케일링 전에 하면 되는지 후에 하면 되는지 궁금합니다 원핫인코딩을 하는 경우에는 수치형과 범주형을 구분하지 않아도 된다고 하셨는데 라벨인코더를 사용하는 경우에도 일치 할까요 ? 또한 추가적으로 minmax와 같은 수치형 스케일링이 필수적인지도 여쭤보고 싶습니다 ,,, ! 선택인 경우에는 어떤 경우에 하면 될지도 궁금합니다
안녕하세요 강사님 강의를 수강하는 학생입니다. 무한 스크롤링은 두 번째부터 보통 끝쪽 id 에 데이터를 기반으로 데이터를 불러오는 방식이 보통 커서 기반 페이지네이션과 큰 차이가 없는 건가요? (claude 나 ) 블로그 보면서 이것도 비슷한 개념인 거 같아서 질문 드립니다. @Entity @Table( name = "post", indexes = { @Index( name = "idx_post_board_created_id", columnList = "board_id, created_at DESC, post_id DESC" ), @Index( name = "idx_post_created_id", columnList = "created_at DESC, post_id DESC" ) } ) @Getter @NoArgsConstructor public class Post { @Id @GeneratedValue(strategy = GenerationType.IDENTITY) @Column(name = "post_id") private Long id; @ManyToOne(fetch = FetchType.LAZY) } 이렇게 엔티티에 인덱스를 만들어서 사용하는지 궁금합니다. 강의에서 처럼 SnowFlake도 보통 저렇게 인덱스를 만들어서 활용하는지도 궁금합니다.
[VOD] 6주 완성! 개발 실무를 위한 고농축 바이브코딩 (Cursor AI, Figma)
커서 무료 버전으로 agent auto 상태로 사용하다가, pro결제해서 sonnet 4.5로 사용하고 있습니다. github랑 연동에 문제가 있는거 같은데, 커서 무료버전 기존에 무료 버전 사용할 때는 (11/26일) 개인 github까지 커밋/푸쉬까지 진행을 했었는데, 커서 프로 지금은(11월 27일) 커밋/푸쉬를 했다고는 하는데 실제로 올라가지는 않고 있네요. 혹시 버그가 있는걸까요? ------------------------------------------- 직접 깃에 올리는게 문제가 아니라, AI 통해서 prompt 로 올릴 때 문제 입니다.
강의를 들은 후에 임시로 하나의 Decorator 를 만들어서 기능을 테스트 중인데. 혹시 잠깐 봐주실 수 있을까요? (길어서 죄송합니다..ㅠ) 우선, 1) Set TargetActor 1, 2 2) TargetToNull 3) Print 1,2,3,4,5 노드 전부 무조건 Failed 를 반환하도록 구성하였습니다. 위 로직에서 질문점) 우선 'Set TargetActor' 노드를 통해 데코레이터에 설정된 Blackboard Key 인 'TargetActor' 에 'Actor 1' 를 Set 한 후 'About Target' 데코레이터 로직으로 진입할 때, 'TargetActor' Is Set==True 이므로 진입에 성공한 후, 'Set TargetActor 2' 노드에서 TargetActor' 에 넣은 'Actor1' 을 'Actor2' 로 바꾸었을 때, Abort(Self) 는 작동하는가? 입니다. Is Set 은 평가 결과가 True->False 일 때, 예를 들면 TargetActor(Actor1) -> TargetActor(Null) 로 변경되었을 때 Abort 를 발동시키는 것으로 알고 있었는데요, 근데 만약 TargetActor(Actor1) 처럼 유효한 값이 들어 있는 상태에서, 데코레이터의 하위 노드를 실행하는 과정에서 TargetActor(Actor2) 처럼 Null이 아닌 다른 유효한 값으로 변경할 때, 평가 결과는 결국 전후가 똑같이 Is Set ==True 일텐데 이것 또한 데코레이터의 Abort(Self) 를 트리거하는지 알고 싶습니다. 클로드와 Gpt, germini 는 전부 발동시키지 않는다고 설명하는데 아무리 봐도 미심쩍고 실제로 테스트해보면 Abort 가 발동하는 것 같아서 뭐가 맞는건지 혼동이 옵니다. 참고로 위 로직이 담긴 소스는 https://github.com/jaebyoungPark/ArenaBattle 입니다. 참고용) 다음 로직은 위와 비슷한 상황에서 Abort 가 실제로 발생하는 것으로 보이는 로직입니다. (위 로직은 제가 맨 처음 올린 로직의 바로 옆에 구현하였으며, 첨부한 깃허브 소스에 존재합니다.) Set TargetActor 실행 으로 인해 TargetActor(Actor1) 설정 Set TargetActor 2 실행으로 인해 TargetActor(Actor2) 설정 값은 변경되었으나, 평가 결과는 True->False 가 아니므로 Abort(Self) 는 실행하지 않고 Print3 를 출력하게 될 것으로 예상하였지만, 결과는 즉시 중단하고 재평가(True) 후 Sequence로 가서 Print 2 실행. 그리하여 Print2 가 연속으로 2번 찍힘. 아무래도 Abort가 동작한 탓인 듯 한데. 평가 결과는 분명 True->True 인데 Abort가 발동한 이유를 모르겠습니다.
[작업형2] 연습문제 섹션 3 Section 3. 항공권 가격 예측에서 문제 풀이를 보면 train = train.drop('flight', axis=1) test = test.drop('flight', axis=1) 원핫인코딩을 하면 컬럼수가 많아서져 flight를 삭제한다고 되어 있습니다.(기본에서요) 그런데 이해가 안되는게...flight 의 가격을 예측하는건데 이것을 삭제하고 모델을 학습 시킨다는게 이해가 안되거든요...
random_state=0을 아래에서 처럼 분리할때랑 , 학습할때 총 두번넣어줘도 상관없을까요? # 검증용 데이터 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 ) # 모델 학습 및 평가 from sklearn.ensemble import RandomForestRegressor model = RandomForestRegressor(random_state=0) model.fit (X_tr, y_tr) pred = model.predict(X_val)
CloudHospital is a global health-tech platform helping patients discover hospitals and clinics worldwide. Through a simple search, users can browse thousands of verified medical institutions across 30+ countries, compare specialties, and check treatment options. Whether you need a hospital for regular care, specialist treatment, or overseas medical services — CloudHospital connects you with trusted providers in multiple languages. Founded in Seoul, the platform offers multilingual support, transparent info, and easy booking, making it easier than ever to find quality healthcare beyond borders.
[작업형2] 연습문제 섹션 4 에서 train과 test를 합하고 나눌때 저는 iloc을 사용했는데 문제 풀이는 iloc을 사용 안 했더라구요. 이전? 강의들에서는 사용했던거 같은데... 그런데 둘 다 오류는 안나도 답이 나오긴 한네요. 무슨 차이 일까요? 제 코드.. df = pd.concat([train,test]) df = pd.get_dummies(df) train = df.iloc[:len(train)] test = df.iloc[len(train):] 강의 코드 # train과 test 합쳐서 원핫인코딩 combined = pd.concat([train, test]) combined_dummies = pd.get_dummies(combined) n_train = len(train) train = combined_dummies[:n_train] test = combined_dummies[n_train:]
