PGNV 계단

슬라이싱 (Slicing) 슬라이싱(slicing)은 말그대로 특정 부분을 자르는 기능입니다. num_string = '0123456789' print(num_string) #출력 0123456789 print(num_string[2]) #출력 2 print(num_string[5]) #출력 5 print(num_string[2:6]) #출력 2345 print(num_string[2:8]) #출력 234567 print(num_string[2:]) #출력 23456789 print(num_string[:8]) #출력 01234567 print(num_string[:]) #출력 0123456789 # 이런 건 아무것도 안나와요 st >= ed print(num_string[0:0]) print(num_s..

문자열(String) : 문자와 문장 hello = 'hello' # String 문자열을 표현할 땐 따옴표나 world = "world" # 쌍따옴표가 사용됩니다; 어떤 걸 써도 상관없습니다. print (hello) # 출력 "hello" print (len(hello)) # 문자열 길이; 출력 "5" hw = hello + ' ' + world # 문자열 연결 print (hw) # 출력 "hello world" hw12 = '%s %s %d' % (hello, world, 12) # sprintf 방식의 문자열 서식 지정 print (hw12) # 출력 "hello world 12" s = "hello" print (s.capitalize()) # 문자열을 대문자로 시작하게 함; 출력 "Hello..

비교연산자 참과 거짓은 단순히 True와 False로 존재하는 것이 아닌 어떤 연산을 통한 결과가 비교연산입니다. 대표적인 참과 거짓의 구분은 비교를 통해 나타냅니다. 부등호라고 생각하시면 편할 것 같습니다. 비교연산자는 다음 종류가 있습니다. == : 같으면 True, 다르면 False != : 같지 않다면 True, 같다면 False > : 좌항이 우항보다 크면 True, 아니면 False = : 좌항이 우항보다 크거나 같으면 True, 아니면 False b) #출력 True print(a = b) #출력 True print(a b) #출력 False print(a=b) #출력 False print(a

불리언(Boolean) : 참과 거짓 파이썬에는 논리 자료형의 모든 연산자가 구현되어 있습니다. 그렇지만 기호(&&, ||, 등.) 대신 영어 단어로 구현되어 있습니다 논리연산자 AND AND는 둘 모두 참이어야 참입니다. print(True and True) # True & True #출력 True print(True and False) # True & False #출력 False print(False and True) # False & True #출력 False print(False and False) # False & False #출력 False 논리연산자 OR or은 둘 중 하나만 참이어도 참입니다. print(True or True) # True | True #출력 True print(True ..

양식문자(형식 제어 문자) 출력의 형식을 지정하는 문자 print함수와 사용 양식 문자 표현 내용 비고 %d 정수 Decimal %f 실수 Floating point number %g 정수 또는 실수 정수, 실수 자동표시 %s 문자열 (두글자 이상) String %c 문자 (한글자) Character %o 8진수 Octal number %x 16진수 Hexa decimal number format함수와 사용 코드 의미 예시 출력 d 10진수 "{0:d}".format(1000) 1000 f 실수 "{0:2f}".format(1.2778) 1.277800 e 지수 "{0:e}".format(1000) 1.000000e+03 b 2진수 "{0:b}".format(1000) 1111101000 o 8진수 "{..

숫자(Numeric) : 정수와 실수 정수는 영어로 integer라고 표기하며 이를 줄여 프로그래밍에서는 int라고 흔히 불립니다. 양의 자연수 0 음의 자연수 x = 3 print type(x) # 출력 "" print (x) # 출력 "3" print (x + 1) # 덧셈; 출력 "4" print (x - 1) # 뺄셈; 출력 "2" print (x * 2) # 곱셈; 출력 "6" print (x ** 2) # 제곱; 출력 "9" x += 1 print (x) # 출력 "4" x *= 2 print (x) # 출력 "8" y = 2.5 print type(y) # 출력 "" print (y, y + 1, y * 2, y ** 2 ) # 출력 "2.5 3.5 5.0 6.2

복합대입연산자 += : 좌항에 우항의 값을 합하여 좌항에 대입 -= : 좌항에 우항의 값을 빼서 좌항에 대입 *= : 좌항에 우항의 값을 곱하여 좌항에 대입 /= : 좌항에 우항의 값을 나누어 좌항에 대입 //= : 좌항과 우항의 값을 나눈 몫을 좌항에 대입 %= : 좌항과 우항의 값을 나눈 나머지를 좌항에 대입 x = 10 y = 5 print(x, y) x += y print(x, y) ''' 출력 x=10, y=5 x=15, y=5 ''' x = 9 y = 4 print(x, y) x -= y print(x, y) ''' 출력 x=9, y=4 x=5, y=4 ''' x = 25 y = 4 print(x, y) x *= y print(x, y) ''' 출력 x=25, y=4 x=100, y=4 '''..

from tensorflow.keras.datasets import boston_housing (train_X, train_Y), (test_X, test_Y) = boston_housing.load_data() #훈련데이터, 테스트데이터 로드 print(type(train_X)) #출력 : print(train_X.shape) #출력 : (404, 13) (404데이터, 13속성) print("정규화 전: ", train_X[0]) #출력 #정규화 전: [ 1.23247 0. 8.14 0. 0.538 6.142 91.7 # 3.9769 4. 307. 21. 396.9 18.72 ] print(train_Y[0]) #출력 : 15.2 x_mean = train_X.mean(axis=0) x_std = t..

활성화 함수(activation function) 다양한 뉴런에서 데이터를 연산하고 다음 뉴런로 값을 전달해주며, 이 데이터들을 연산하면서 정리해주는 함수 입력 받은 신호를 얼마나 출력할지 결정하고 Network에 층에 쌓아 비선형성(non-linear)을 표현 할 수 있도록 해줌 ※활성화 함수를 이용하여 비선형 시스템인 MLP(Multiple Layer Perceptron)를 이용하여, XOR은 해결했지만, 파라미터 개수가 점점 많아지면서 각각의 가중치(weight)와 편향(bias)를 학습시키는 것이 매우 어려워 다시 한 번 침체기를 겪게 됨. 하지만 역전파(Back Propagation)으로 해결함 계단함수 (Step function) import numpy as np import matplotli..

Scikit-learn KNeighborsRegressor : k-최근접 이웃 회귀 모델을 만드는 scikit-learn클래스 (n-neighbors 매개변수로 이웃의 개수를 지정, 기본값5) mean_abssolute_error() : 회귀 모델의 평균 절댓값 오차를 계산 (타깃과 예측을 뺀값을 제곱한 다음전체 샘플에 대해 평균한 값을 반환) fit() : 훈련 score() : 평가 predict() : 예측 LinearRegression : 선형 회귀 클래스 coef_ : 특성에 대한 계수를 포함한 배열 intercept_ : 절편 값 저장 regularization : 모델이 훈련 세트를 너무 과도하게 학습하지 못하도록 훼방 (과적합 방지용)