🌱 𝐣𝐣𝐢𝐧𝐠𝐥𝐞 𝐝𝐞𝐕𝐥𝐨𝐠

회귀(regression) ? 주어진 입력의 특징으로부터 실수(연속형 변수)를 예측하는 행위 데이터 변수들 간에 함수관계를 파악하여 통계적 추론을 하는 기술 입력과 출력을 기반으로 함수를 추정하여, 예측 값과 실제값의 오차를 최소화하는 것이 회귀의 목표 회귀의 유형 단순 선형 회귀(Simple linear regression) : 가장 기본적인 단변량 모델로서, 독립변수가 하나인 회귀 모델 다중 선형 회귀(Multiple linear regression) : 다변량 모델로서, 독립변수가 둘 이상인 회귀 모델 MILib 의 회귀 모델 선형 회귀(Linear Regression) 일반화 선형 회귀(Generalized linear Regression) 선형회귀분석에서 결과변수는 연속적이면서 정규분포를 따르지..

이벤트(event) 응용 프로그램에서 그래픽 사용자 인터페이스(GUI)를 기반으로 특정 명령을 요청하는 행위를 의미 (ex. 버튼 클릭, 키보드 문자 입력, 마우스 스크롤 등) Event Class 클래스 설명 ActionEvent 버튼 클릭, 메뉴 선택, 목록 항목 클릭 시 발생하는 이벤트 MouseEvent 마우스 드래그, 마우스 클릭 시 발생하는 이벤트 MouseWheelEvent 마우스 휠을 움직일 때 발생하는 이벤트 KeyEvent 키보드 입력 시 발생하는 이벤트 ItemEvent 체크박스나 목록 항목 클릭 시 발생하는 이벤트 TextEvent 텍스트 영역이나 텍스트 필드의 값이 변경될 때 발생하는 이벤트 WindowEvent 윈도우 창이 활성화/비활성화, 열리거나 닫힐 때 발생하는 이벤트 이벤..

스윙 (Swing) Java 언어로 개발된 그래픽 사용자 인터페이스(GUI) 라이브러리 AWT보다 더 강력하고 일관된 GUI 라이브러리 제공 플랫폼 독립성을 확보하기 위해 순수 Java 라이브러리로 구현됨 => Java에서 지향하는 "Write Once, Run Everywhere(WORE)"를 구현하기 위해, 시스템에서 공통적으로 사용 가능한 버튼 등의 UI 컴포넌트를 제공함 모든 AWT 컴포넌트와 100% 호환되는 컴포넌트로 재작성 되어있음 AWT 컴포넌트와 구분하기 위해 스윙 컴포넌트의 이름은 대문자 J로 시작 (ex. JComboBox, JButton, JMenu..etc) Swing 클래스 구조 JComponent 클래스 모든 스윙 컴포넌트의 기본 클래스로 그래픽 그리기, 이벤트 처리 기능을 하..

그래픽 사용자 인터페이스 (Graphic User Interface) 사용자가 마우스나 키보드 등을 이용하여 편리하게 입출력할 수 있는 그래픽 화면 구성 인터페이스를 의미하며 GUI(graphic user interface)라고도 부름 그래픽 사용자 인터페이스의 필요성 사용성 개선 : 버튼, 메뉴 등을 사용하여 사용자가 쉽게 이해하고 조작할 수 있도록 설계함으로써 사용성을 향상시킴 상호작용 향상 : 사용자가 컴퓨터에게 시각적인 입력을 보내고, 컴퓨터가 사용자에게 시각적인 피드백을 제공 안전성 향상 : 사용자가 잘못된 작업을 할 가능성을 줄임으로써, 시스템의 오동작 가능성을 줄일 수 있음 Java에서 그래픽 사용자 인터페이스의 구현 구분 설명 AWT - Abstract Window Toolkit의 약어로 ..

Map 컬렉션 키(key)와 값(value)으로 구성된 자료 구조의 형태로 데이터를 저장함 요소들을 저장할 때 순서를 보장하지 않으므로 순서가 없음 키는 중복해서 저장할 수 없으므로 만약 기존에 있던 키와 같은 키가 입력되면, 해당 키의 값이 새로운 값으로 변경됨 대표적으로 HashTable, HashMap, LinkedHashMap, TreeMap 클래스가 있음 Map 컬렉션은 키로 데이터를 관리함 키는 중복해서 저장할 수 없지만, 값은 중복해서 저장할 수 있음 HashMap 클래스 키와 값을 쌍으로 저장하기 위한 Map 기반 컬렉션이며 HashMap 또는 HashMap로 표시함 저장 순서를 보장하지 않으나, 해싱을 사용하기 때문에 많은 양의 데이터를 검색하는데 유용함

List 컬렉션 선형 자료 구조의 형태로 요소를 저장 요소를 인덱스로 관리하기 때문에 요소를 저장하면 자동으로 저장 순서의 인덱스가 부여되고, 인덱스로 요소를 검색하거나 삭제 데이터가 같은 요소를 중복해서 저장할 수 있음 대표적으로 ArrayList, LinkedList, Vector 클래스가 있음 ArrayList 클래스 List 컬렉션 기반의 선형 순서로 저장하는 데 사용하는 배열 형태의 데이터 구조 한 번 생성되면 크기가 변하지 않는 배열과 달리 ArrayList는 크기가 가변적임 저장 용량을 초과하면 부족한 만큼 자동으로 저장 용량이 늘어나기 때문에, 일반적인 배열보다 유연성이 뛰어나 널리 사용 Set 컬렉션 비선형 자료 구조의 형태로 요소를 저장함 요소를 인덱스로 관리하지 않기 때문에 저장 순서..

자료구조 데이터를 효율적으로 저장, 관리 및 조작하기 위한 방법에 대한 정의로 데이터의 삽입, 삭제, 검색, 정렬과 같은 연산을 효율적으로 수행하도록 함 컬렉션(collection) 데이터를 효율적으로 저장, 관리 및 조작하기 위한 방법을 제공하는 자료구조로서 List, Set, Map 등과 관련된 다양한 클래스 라이브러리를 제공함 배열과의 차이점 배열 컬렉션 동일한 유형의 데이터만 저장할 수 있음 다양한 유형의 데이터를 저장할 수 있음 (가능하지 않은 컬렉션도 있음) 크기가 고정되어 있음(정적) 크기를 조절할 수 있음(동적) 메모리 효율이 낮음 메모리 효율성이 좋음 컬렉션의 필요성 데이터 구조화 : 데이터를 구조화하여 저장하고 관리하는데 도움을 주므로, 데이터를 쉽게 찾고 조작 가능 메모리 관리 : 컬..

Binary Classification(two-class classfication) 직관적인 분류 방법 Feature space에서 공간을 둘로 나누는(separate) 평면(plane)을 찾음 만약 그러한 평면을 찾을 수 없다면 공간을 구분(seperate)한다는 개념을 느슨하게 적용 구분이 가능하도록 feature space를 확장 (추가적인 feature 생성) Maximal Margin Classfier 모든 separating hyperplane 가운데 두 class간의 margin을 가장 크게 하는 separating hyperplane이 존재함 이 hyperplane을 이용하는 classfier를 Maximal Margin Classfier라고 함 Support Vector Classfier..

Bagging(Bootstrap aggregation) 머신러닝 방법의 변동성(variance)을 줄이기 위한 일반적인 방법으로 decision tree 방법에 특히 유용하여 많이 적용됨 -> 여러 개의 독립적인 데이터셋을 확보하는 것이 어려워 bootstrap 방법 사용 OOB(Out-of-Bag Error Estimation) Bagging 방법에서는 아주 직관적인 test error 추정 방법이 존재 Bootstrap은 중복을 허용하므로 하나의 bootstrap training data에서 평균적으로 본래(original) 데이터의 2/3가 샘플링됨 나머지 적합에 사용되지 않은 1/3의 데이터를 OOB(out-of-bag)으로 명명 i번째 데이터가 OOB인 경우의 decision tree에서 i번째..

트리 기반 방법(tree-based methods) Predictor 공간(space) -> 여러 개의 단순하고 작은 공간으로 계층화(stratify), 나누는(segment) 방법 => Predictor 공간을 나누기 위해 사용되는 분할 규칙이, 마치 나무가 가지를 치는 것과 유사하여 decision tree 방법 장점 : 단순해서 해석하기 쉬움 단점 : Decision tree 방법은 보통 다른 지도학습 방법보다 성능이 좋지 못함 => 대안으로 여러 개의 트리를 만들어 예측성능을 높이는 방식인 bagging, random forests, boosting 방법을 사용 (단, 이 방법은 해석력이 떨어짐) Internal node(내부 노드) : 기준으로 비교하여 좌우로 나눔 Terminal node(터미..