Charming ['ㅡ'] Ham !

람다 표현식 (lambda expression)¶ 람다 표현식음 함수 선언을 하지 않고 사용할 수 있는 함수라고 할 수 있다. 보통 간단한 함수를 사용해야하는 경우 함수를 선언하고 리턴하는 방식으로 사용하지 않고, 람다로 표현하여 간략하게 표현할 수 있다. In [12]: # 일반 함수식 def add(x, y): return x + y print(add(10, 20)) 30 In [13]: # 람다 표현식 print( (lambda x,y: x + y)(10, 20) ) 30 같은 함수라도 간편하고, 가독성이 뛰어난 것을 볼 수 있다. 보통 함수 안이 함수를 간단히 만들 때 람다를 많이 이용한다. 람다 표현식의 서식을 간단히 설명하자면, 일반적인 함수 명이 없으며, `lambda` 입력 후 `x`, `..

Map¶ map() 함수를 통해 리턴된 출력 값을 묶어서 map iterator 객체, 즉 리스트, 딕셔너리 등 반복 가능한 객체로 출력하는 역할을 한다. 다음 예를 들면 In [1]: def list_mul(x): return x * 2 result = list(map(list_mul, [1, 2, 3])) print(result) [2, 4, 6] 함수로 실행된 list_mul, [1, 2, 3] 인자가 출력된 값을 map 을 통해 묶어서 list 형태로 출력해준다. map 의 기본 사용 서식은 map(f, iterable) 로 사용된다. f 에는 함수를 사용하며, iterable 함수에 인자로 사용될 부분에는 리스트 데이터가 들어간다. 이를 람다 식에 함께 사용하면 다음과 같다. In [3]: re..

Logout Menu Kernel File New NotebookDropdown Open... Make a Copy... Save as... Rename... Save and Checkpoint Revert to CheckpointDropdown Print Preview Download asDropdown AsciiDoc (.asciidoc) HTML (.html) LaTeX (.tex) Markdown (.md) Notebook (.ipynb) PDF via LaTeX (.pdf) reST (.rst) Script () Reveal.js slides (.slides.html) PDF via pyppeteer (.html) Deploy as Trust Notebook Close and Halt Edit ..

멀티프로세싱 (Multiprocessing)¶ 멀티프로세싱이란 작업 처리 '속도' 에 관한 기법으로 보다 빠르게 처리해주기 위한 방법이다. 먼저 병렬처리와 순차처리에 대해 알아보자. 병렬처리 (parallel processing) 는 동시 해당 작업을 처리하는 것과 같아 처리 속도 향상에 크게 기여하고 있는 방법이다. 순차처리 (serial processing) 는 여태 코트를 작성했을 때 주로 사용한 방법으로, 말 그래도 순차적으로 처리를 해 나가는 방법이다. 먼저 순차 처리 코드를 한번 실행 해 보자. In [1]: # 변수를 1억번 돌려보는 순차처리 코드 import time num_list = ['p1','p2', 'p3', 'p4'] st..

제너레이터 (Generator)¶ 많은 양의 데이터를 처리하다보면 엄청냔 양의 메모리 공간이 필요하게 된다. 예를들어 일반적인 for 문의 경우 5개의 데이터를 한번에 메모리 공간 상에 두고 하나씩 처리가하게 되는데, 이 방법은 데이터의 양이 많아질 수록 효율적이지 못하다. 이런 상황에더 더욱 효율적으로 사용하기 위한 방법으로 제너레이터가 있다. 예를 들면, 일반적인 반복문은 다음과 같다. In [4]: my_list = ['a','b','c','d'] # 인자로 받은 리스트를 가공해서 만든 데이터셋 리스트를 리턴하는 함수 def get_dataset_list(my_list): result_list = [] for i in range(2): for j in my_list: result_list.appen..

비지도학습 (Unsupervised Learning)¶ 비지도 학습이란 정답 데이터 즉 label 데이터가 없이 학습하는 방법을 말한다. 따라서 컴퓨터가 스스로 데이터의 어떤 특성이나 구조를 알아내는 것이다. 지도 학습은 정답 데이터의 구축을 위해 많은 인적, 물적 자원이 드는반면, 비지도 학습은 그렇지 않다. 비지도 학습의 대표적인 예로는 군집화 (클러스터링 / clustering) 이 있지만, 정답이 없는 데이터를 이용한 학습 전체를 의미하기 때문에, 차원축소 (dimensionarlity reduction) 및 이를 이용한 시각화, 생성 모델 (generative model) 등 다양한 방법들이 포함된다. 이번에는 클러스터링의 대표적인 알고리즘인 K-means 와 DBSCAN 알고리즘, 차원 축소의..