반응형
인사말 안녕하세요, 여러분. 오늘 소개해드릴 레시피는 "김장철 김장 후 빠질 수 없는 초간단 보쌈 만들기: 콜라와 간장의 완벽한 조합" 이 두 가지 재료, 콜라와 간장을 활용하면 고기의 잡내를 잡는 동시에 먹음직스러운 색과 맛을 낼 수 있답니다. 특히, 이 레시피는 마늘소스를 활용하여 고기의 부드러움과 개운한 맛을 더하며, 김장김치와 무김치와 함께 먹으면 완벽한 조화를 이룹니다. 이 레시피는 단순히 맛있는 음식을 만드는 것 이상의 목표를 가지고 있습니다. 바로 영양학적인 측면에서의 균형입니다. 보쌈용 앞다리살은 단백질이 풍부하며, 마늘은 천연 항산화제로 알려져 있어 건강에 좋습니다. 그럼 지금 바로 시작해볼까요? 1. 재료 · 보쌈용 앞다리살 1kg · 콜라 500ml · 간장 1/2컵 · ..
서론 머신러닝(Machine Learning) 데이터 분할(Data Split) 기초를 알아보겠습니다. 데이터 과학의 세계에서 데이터는 모든 것의 기초입니다. 이러한 데이터를 효과적으로 활용하고 이해하는 것은 인공 지능과 머신러닝의 핵심적인 부분입니다. 그중에서도 '데이터 분할(Data Split)'은 특히 중요한 개념입니다. 이 글에서는 데이터 분할의 기본 개념과 그것이 왜 필요한지, 어떻게 발전해왔는지에 대해 다루겠습니다. 데이터 분할이란, 주어진 데이터를 훈련 데이터(training data), 검증 데이터(validation data), 테스트 데이터(test data) 등으로 나누는 과정을 말합니다. 이는 머신러닝 모델을 학습하고, 그 성능을 평가하는 데 필수적입니다. 즉, 모델이 학습한 것을..
서론 그동안은 머신러닝의 절차에 대해 알아보았습니다. 머신러닝의 큰 그림을 알아보았으며, 앞으로는 세부적으로 알아보도록 하겠습니다. 머신러닝은 그 데이터에 대한 학습 방법에 따라 지도학습, 비지도학습, 강화학습의 알고리즘으 나뉩니다. 쉽게 분류하자면 정의된 문제가 정답을 예측하는 것인지, 데이터들을 활용하여 새로운 정보를 알아내기 위한 것인지, 최적화를 위한것인지에 따라 그 방법을 선택합니다. 지도학습은 입력 데이터와 그에 상응하는 출력 데이터, 즉 '정답'이 주어지는 상황에서 사용됩니다. 이러한 알고리즘은 주어진 입력에 대한 올바른 출력을 예측하도록 학습됩니다. 분류와 회귀가 대표적인 예시입니다. 비지도학습은 입력 데이터만 주어지고, 해당 데이터에서 유용한 패턴이나 구조를 찾아내는 방법입니다. 이 방법..
인사말 안녕하세요. 요리에 서툴더라도, 혹은 요리에 자신이 없다고 해도 걱정하지 마세요. 오늘 제가 여러분께 소개하는"겨울의 품격, 코인육수 한알로 만드는 밀푀유나베 레시피"는 누구나 쉽게 따라할 수 있습니다. 코인육수 한 알로 풍성하고 맛있는 요리를 만들어보세요. 이 밀푀유나베는 새집들이나 손님을 대접할 때에도 아주 적합합니다. 따뜻한 국물, 그리고 면, 죽으로 이어지는 환상적인 코스요리까지! 간단한 재료로 이루어진 이색적이고 근사한 플레이팅은 손님들로부터 찬사를 받을 것입니다. 또한 이 밀푀유나베는 배추, 깻잎, 샤브샤브용 소고기를 쌓아 만들어지는데, 이 과정은 요리 과정의 재미를 더하며, 동시에 테이블 위를 빛내는 아름다운 모습을 연출합니다. 마치 꽃과 같기도 하면서 어떠한 구조물처럼 보이기도 하..
서론 머신러닝(Machine Learning)의 절차와 이해 - 예측 모델 개발은 과거 및 현재의 데이터를 바탕으로 미래의 결과를 예측하는 모델을 만드는 과정입니다. 이 과정은 주로 세 가지 단계로 이루어집니다: '모델 학습', '모델 성능 개선', 그리고 '성능 평가'. 이 단계들은 각각 다음과 같은 중요한 개념을 포함하고 있습니다. '모델 학습': 이 단계에서는 알고리즘이 데이터로부터 학습하게 됩니다. 이 과정에서 사용되는 핵심 개념은 '특성'과 '타겟'입니다. '특성'은 예측을 위해 사용되는 입력 변수를 의미하며, '타겟'은 예측하려는 결과 변수를 의미합니다. '모델 성능 개선': 이 단계에서는 '과적합'과 '하이퍼파라미터 최적화'와 같은 개념이 중요합니다. '과적합'은 모델이 학습 데이터에 너..
인사말 안녕하세요 오늘은 신혼밥상, 초간단! 냉장고털이로 만드는 원팬 잡채를 소개합니다. 바쁜 일상 속에서도 간편하게 만들어 즐길 수 있는 요리를 찾고 계신 분들, 혹은 잡채를 좋아하지만 복잡한 요리 과정에 주저하시는 분들, 이 포스트는 바로 여러분을 위한 것입니다. 오늘 제가 여러분께 소개해드릴 메뉴는 바로 '원팬 잡채'입니다. 냉장고에 남아있는 재료로 간단하게 만들 수 있어, 바쁜 일상을 보내는 분들에게도 부담 없는 레시피입니다. 특히, 이 레시피에서는 냉장고에 있을법한 샤브샤브용 고기를 활용하여, 잡채의 본연의 맛을 살려내면서도 훨씬 간편하게 만들 수 있는 방법을 알려드릴 예정입니다. 그럼, 함께 쉽고 맛있는 요리를 만들어 볼까요? 1. 재료: 당면 (200g) 콩나물 (200g) 양파 (1개..
서론 머신러닝(Machine Learning)의 절차와 이해 - 피처 엔지니어링(feature engineering)에 대해 다루겠습니다. 피처 엔지니어링은 머신러닝의 절차 중 네번째 단계로, 이는 모델의 성능을 크게 좌우하는 중요한 과정입니다. 피처 엔지니어링의 중요성을 이해하기 위해서는 먼저 '차원의 저주'라는 개념을 알아야 합니다. '차원의 저주'는 데이터의 차원이 증가할수록 해당 공간의 부피가 기하급수적으로 증가하여 데이터의 분포가 점점 희박해지는 현상을 말합니다. 이로 인해 데이터 간의 거리가 멀어져 모델이 복잡해지고, 오버피팅(과적합) 문제가 발생할 가능성이 높아집니다. 이를 해결하기 위해서는 차원 축소와 같은 피처 엔지니어링 기법이 필요합니다. 분석 문제 정의 → 데이터 수집 → 탐색적 데..
인사말 안녕하세요, 여러분. 오늘은 간편하게 시판 돈까스를 활용한 돈까스김치나베 레시피를 소개하려 합니다. 김치는 우리나라의 대표적인 발효식품으로, 그 효능은 다양합니다. 김치에는 유산균이 풍부하게 들어있어 장 건강에 도움을 줍니다. 또한 비타민 A, B, C가 풍부하게 들어있어 면역력 증진에도 효과적입니다. 특히, 김치의 주재료인 배추는 항산화 성분인 루테인과 제아잔틴이 풍부하게 들어있어, 이는 우리 몸의 산화스트레스를 감소시켜 노화 방지와 각종 질병 예방에 도움을 줍니다. 단백질은 우리 몸의 세포를 구성하는 주요한 물질로, 특히 성장기 아이들이나 운동선수와 같이 근육을 키우거나 회복해야 하는 사람들에게 필수적인 영양소입니다. 뿐만 아니라, 단백질은 피부나 머리카락, 손톱 등의 건강에도 중요한 역할을 ..
서론 머신러닝(Machine Learning)의 절차와 이해 - 탐색적 데이터 분석(Exploratory Data Analysis, EDA)에 대해 다뤄보겠습니다. 머신러닝을 위해서는 어떤 문제를 해결할 것인지와 그에 적합한 데이터들을 수집하는 것이 중요합니다. 이렇게 수집된 데이터를 어떻게 활용할 것인지 생각하는 단계가 탐색적 데이터 분석(EDA) 입니다.분석 문제 정의 → 데이터 수집 → 탐색적 데이터 분석(EDA) → 피처 엔지니어링 → 예측 모델 개발 → 서비스 적용 이 단계에서는 데이터를 활용하는 방안을 본격적으로 수립하고, 활용 가능한 상태로 데이터를 1차적인 가공하는 단계로 이해할 수 있습니다. 때문에, 그 데이터의 전체적인 구성과 형태, 연관성 등에 대해 큰 틀에서의 설계를 해야합니다. 자..
인사말 안녕하세요, 여러분! 결혼 6개월차 신혼 주부로서 매일매일 새로운 요리에 도전하며 성장하는 중입니다. 오늘은 제 최애 음식 중 하나인 '등촌샤브샤브'를 집에서 만들어 보는 시간을 가져볼까 합니다. 추운 겨울철, 따뜻한 국물과 신선한 재료가 어우러진 '등촌샤브샤브'는 그야말로 완벽한 조화를 이루는데요. 이 요리는 그 맛이 뛰어나서 어렵게 느껴질 수 있지만, 사실 집에서도 간단하게 만들어 즐길 수 있답니다. 매일매일 신혼밥상으로 새로운 요리를 도전하며 성장하는 이 과정을 통해, 신혼집도 맛집이 될 수 있다는 것을 보여드리고 싶어요. 그럼 이제 함께 등촌샤브샤브를 만들어 볼까요? 신혼부부 밥상 '등촌샤브샤브', 건강하고 맛있게! 1. 재료준비 . 샤브용 소고기 구매링크: 호주산 우목심 샤브샤브용(냉..
서론 머신러닝(Machine Learning)의 절차와 이해 - 데이터 수집에 대해 글을 작성하겠습니다. 분석 문제 정의 → 데이터 수집 → 탐색적 데이터 분석(EDA) → 피처 엔지니어링 → 예측 모델 개발 → 서비스 적용 데이터 수집은 머신러닝 절차 중 분석 문제 정의 다음의 단계이며, 이 단계에서는 정의한 문제를 해결하기 위한 데이터들을 수집하는 단게입니다. 어떤 데이터를 수집하느냐에 따라 문제 해결을 위한 접근 방식이 달라지며, 이것은 데이터의 유형도 신경써야할 필요가 있습니다. 데이터 수집 머신러닝 프로젝트에서 두 번째 단계인 '데이터 수집'은 분석의 기반이 되는 데이터를 확보하는 과정입니다. 이 과정은 다음과 같은 4가지 단계로 이루어집니다.1. 데이터 마트 생성: 데이터 마트는 특정 주제나 ..
인사말 안녕하세요, 특별한 여행을 사랑하는 여러분! 🌊💑 가을의 마무리와 함께 추운 겨울이 다가오는 요즘, 저희부부는 황금빛 가을단풍을 따라 11월 여행지로 여수를 선택했습니다. 여수에서의 하루는 일상에서 벗어나 특별한 순간들로 가득했는데, 그 중에서도 여수아쿠아플라넷 로맨틱한 향연의 경험이 가장 인상적이었습니다. 🌊 바다 속 신비로운 만남, 여수아쿠아플라넷 가장 먼저 우리를 맞이한 건 크고 아름다운 수족관이었습니다. 해양 터널을 지나면서 우리는 물 속 세계의 아름다움에 놀라움을 감추지 못했어요. 손에 손을 잡고 걸어가면서 상상도 못한 크고 작은 해양 생물들을 발견하는 재미, 그리고 그들의 우아한 움직임은 정말 감탄밖에 안 나왔죠. 관람기 🐋 벨루가의 아름다움에 푹 빠지다 그중에서도 가장 매료된 순간은 ..
서론 머신러닝(Machine Learning)의 절차와 이해 - 3편에서는 이전 1,2편에서 다룬 머신러닝의 6개 절차에 대해 좀 더 세부적으로 알아보겠습니다. 머신러닝을 위한 단계는 다음과 같습니다. 분석 문제 정의 → 데이터 수집 → 탐색적 데이터 분석(EDA) → 피처 엔지니어링 → 예측 모델 개발 → 서비스 적용 각 단계를 통해 알고 싶은 결과에 도달하기 위해 선택과 집중을 할 수 있으며, 결론적으로 좀 더 효과적으로 미래를 예측할 수 있습니다. 각 단계의 세부적인 단계에 대해 다루도록 하겠습니다. 분석 문제 정의 분석 문제 정의는 머신러닝 프로젝트에서 매우 중요한 단계입니다. 이 단계는 다음의 4가지 단계로 구성됩니다. 1. 이슈 파악 및 문제 도출: 이 단계에서는 주어진 도메인에서 발생하는 문..
서론 머신러닝이 등장하게된 이유 및 머신러닝은 무엇인지( 머신러닝(Machine Learning)은 무엇일까요? (tistory.com))와 그 절차( 머신러닝(Machine Learning)의 절차와 이해 - 1편 (tistory.com))에 대해서 다루고 있습니다. 머신러닝(Machine Learning)의 절차와 이해 - 2편으로는 이전 글에서 소개했던 절차 중 EDA 이후의 절차에 대해 간략히 소개하고, 머신러닝의 바탕이 되는 모델별 이론들을 다루도록 하겠습니다. 피처 엔지니어링 피처 엔지니어링은 머신러닝 모델의 성능을 향상시키는 중요한 단계로, 모델이 이해할 수 있는 형태로 데이터를 변환하거나 새로운 피처를 생성하는 과정을 포함합니다. 아래는 피처 엔지니어링 단계에서 중요하게 고려해야 할 사항들..
서론 머신러닝(Machine Learning)은 전산을 이용한 빅데이터가 발전하면서 함께 부상하였습니다. 축적되는 데이터를 바탕으로 미래를 예측할 수 있는 모델을 이용하여 다양한 산업에 사용되고 있으며, 이로 인해 우리의 생활 양식에 큰 영향을 주고 있습니다. 오늘은 머신러닝(Machine Learning)의 절차와 이해를 위해 1,2편에 걸쳐 글을 작성하겠습니다. 머신러닝(Machine Learning)의 절차 머신러닝은 다음과 같은 통상적인 절차로 진행됩니다.1. 분석 문제 정의 → 2. 데이터 수집 → 3. 탐색적 데이터 분석(EDA) → 4. 피처 엔지니어링 → 5. 예측 모델 개발 → 6. 서비스 적용 염두해야할 점은 해당 절차에서는 데이터 축적과 같은 데이터 엔지니어링은 별도로 수행되어야합니다..