layout: singletitle: "jupyter notebook 변환하기!"categories: codingtag: [python, blog, jekyll]toc: trueauthor_profile: false네비게이션 주행데이터를 이용한 도착시각 예측 문제[미션 안내]네비게이션 주행데이터를 읽어들여 데이터를 분석 및 전처리한 후 머신러닝과 딥러닝으로 도착시각을 예측하고 결과를 분석하세요.[유의 사항]각 문항의 답안코드는 반드시 '#여기에 답안코드를 작성하세요'로 표시된 cell에 작성해야 합니다.제공된 cell을 추가/삭제하고 다른 cell에 답안코드를 작성 시 채점되지 않습니다.반드시 문제에 제시된 가이드를 읽고 답안 작성하세요.문제에 변수명이 제시된 경우 반드시 해당 변수명을 사용하세요.문제..

layout: singletitle: "jupyter notebook 변환하기!"categories: codingtag: [python, blog, jekyll]toc: trueauthor_profile: false따릉이 2시간 후 수요량 예측 문제import warningswarnings.filterwarnings(action='ignore')1. scikit-learn 패키지는 머신러닝 교육을 위한 최고의 파이썬 패키지입니다.scikit-learn를 별칭(alias) sk로 임포트하는 코드를 작성하고 실행하세요.# 여기에 답안코드를 작성하세요.import sklearn as sk 2. Pandas는 데이터 분석을 위해 널리 사용되는 파이썬 라이브러리입니다.Pandas를 사용할 수 있도록 별칭(alia..

layout: singletitle: "jupyter notebook 변환하기!"categories: codingtag: [python, blog, jekyll]toc: trueauthor_profile: false보스턴 집값 예측 문제import warningswarnings.filterwarnings(action='ignore')1. scikit-learn 패키지는 머신러닝 교육을 위한 최고의 파이썬 패키지입니다.scikit-learn를 별칭(alias) sk로 임포트하는 코드를 작성하고 실행하세요.# 여기에 답안코드를 작성하세요.import sklearn as sk 2. Pandas는 데이터 분석을 위해 널리 사용되는 파이썬 라이브러리입니다.Pandas를 사용할 수 있도록 별칭(alias)을 pd..

layout: singletitle: "jupyter notebook 변환하기!"categories: codingtag: [python, blog, jekyll]toc: trueauthor_profile: falseAirQuality를 이용한 오존농도 예측 문제import warningswarnings.filterwarnings(action='ignore')1. Pandas는 데이터 분석을 위해 널리 사용되는 파이썬 라이브러리입니다.Pandas를 사용할 수 있도록 별칭(alias)을 pd로 해서 불러오세요.# 여기에 답안코드를 작성하세요.import pandas as pd 2. 모델링을 위해 분석 및 처리할 데이터 파일을 읽어오려고 합니다.Pandas함수로 데이터 파일을 읽어 데이터프레임 변수명 df에 ..

https://arxiv.org/pdf/2103.16440 AbstractSelf-supervised learning에서 Data transformations 은 중요함다양한 view로 이미지를 변환하여 학습하면, 신경망이 downstream task에 적합한 feature representations을 학습할 수 있음 (ex. Anomaly Detection)어떤 transformations을 사용할 지 결정하는게 확실하지 않기에, 본 연구에서는 end-to-end로 Anomaly Detection을 위한 learnable transformations 과정을 제시함각기 다른 transformations끼리는 구별되게 하며, transformed data는 untransformed data를 닮도록 se..

Anomaly Detection은 말 그대로 데이터가 들어왔을 때 정상 데이터들의 특성을 통해 비정상 데이터를 탐지하는 것을 의미합니다. Anomaly Detection은 라벨 유무에 따라 크게 아래와 같이 나눌 수 있습니다.​1) Supervised anomaly detection- 데이터셋에 정상 / 비정상 라벨이 있는 경우2) Semi-supervised anomaly detection- 라벨이 안된 다량의 데이터와 소량의 정상 / 비정상 라벨이 있는 경우- 정상 데이터만으로 학습3) unspervised anomaly detection- 라벨이 아예 없는 경우​이번에 다루는 논문은 Deep SVDD 방법론을 제안하며 정상 데이터만을 학습하여 anomaly detection을 하는 semi-supe..