limhm's blog

트랜잭션(transaction) • '데이터베이스의 상태를 변화시키는 작업의 모음' 이라고 표현한다. • 주로 데이터베이스의 상태를 변화시키는 INSERT, DELETE, UPDATE 중 한 개 이상의 DML과 같이 사용된다. ACID • Atomicity, Consistency, Isolation, Durability • 각 단어는 데이터베이스내에서 일어나는 하나의 트랜잭션의 안전성을 보장하기 위해 필요한 성질을 의미한다. 1) 원자성 (Atomicity) • 하나의 트랜잭션을 구성하는 작업들 중 하나가 실패하면 전부 실패해야한다. 부분적으로 성공하여 실행이 되면 안되는 성질이다. • SQL로 특정 쿼리를 실행했는데 부분적으로 실패하는 부분이 있다면 전부 실패하게 된다. 2) 일관성 (Consisten..

SELECT문 실행 순서 0. SELECT 1. FROM 2. JOIN, ON 3. WHERE 4. GROUP BY 5. ROLL UP 6. HAVING 7. DISTINCT 8. ORDER BY

STEP 1 Git Bash CLI 기본 명령어 pwd 현재 디렉토리 보여주기 cd ai-bootcamp/Section3 change directory(원하는 디렉토리로 이동) cd .. 한 단계 상위 디렉토리로 이동 cd / 최상위 디렉토리로 이동 cd ~ 홈 디렉토리로 이동 mkdir ai-practice 현재 디렉토리 위치에서 새로운 디렉토리 생성 ls 현재 디렉토리 위치한 파일들 확인. ls -l 현재 디렉토리 위치한 파일들 상세정보 확인. ls -a 현재 디렉토리 위치한 숨겨진 파일정보 포함 확인. ls -al -l, -a 두개 다 합친 기능. Github Repository 와 로컬 연결하기 방법 1. 깃헙 레포 복제 $ git clone https://github.com/{유저이름}/ds-s..

Model-Agnostic Methods : 모델에 구속받지 않는 해석 방법 학습에 사용된 모델이 무엇인지에 구애받지 않고 독립적으로 모델을 해석할 수 있다. 어떤 모델을 사용했더라도 동일한 방식으로 해석할 수 있다. 비슷한 성능을 가지는 여러 모델들 중에서 하나를 선택해야 하는데, 이 모델을이 다 다르더라도 동일한 기준으로 해석하기 때문에 비교가 가능하므로 객관적으로 더 나은 모델을 선택할 수 있게 된다. [참고자료] https://towardsdatascience.com/three-model-explanability-methods-every-data-scientist-should-know-c332bdfd8df Three Model Explanability Methods Every Data Scient..

불균형 클래스 (class imbalance) 불균형 클래스는 머신러닝의 분류 문제에서 발생하는 문제이다. 데이터를 보면 보통 target의 클래스 비중이 차이가 많이 나는 경우가 많다. (사기 탐지, 폐기 예측, 의료 진단, 이메일 분류 등) 대부분의 머신러닝 알고리즘은 데이터가 클래스 내에 고르게 분포되어 있다고 가정한다. 그렇기 때문에 알고리즘은 다수 클래스를 예측하는 데 더 편향된다는 것이다. 알고리즘에는 소수 클래스에 있는 패턴을 학습하기에 충분한 정보가 없다. 클래스 빈도 차이는 모델의 전반적인 예측 가능성에 영향을 미친다. 쉽게 이해하기 위한 예를 들어보면, 내가 고향에서 오랫동안 살다가 최근에 새로운 도시로 이사했고 이사한지 한달정도 되었다고 생각해보자. 고향 동네에 대해서는 어린 시절부터..

보호되어 있는 글입니다.

보호되어 있는 글입니다.