Docker 해부 (3) - Installation and Container Lifecycle
macOS의 Docker Desktop과 Linux 서버 설치, hello-world 한 줄이 하는 일, 그리고 run이 매번 새 container를 만든다는 사실과 created, running, exited로 이어지는 lifecycle을 정리합니다.
호승
머신러닝 기초 (13) - Preprocessing: Scaling, Encoding, and Missing Values
스케일링, 인코딩, 결측치 처리가 각각 왜 필요한지, StandardScaler, OneHotEncoder, SimpleImputer를 언제 쓰는지, 그리고 fit은 왜 훈련 데이터로만 해야 하는지를 정리하는 13편입니다.
머신러닝 기초 (12) - Ensembles: Random Forests and Boosting
트리 하나의 높은 분산을 여러 트리로 다루는 두 방식, 독립적으로 만들어 평균하는 배깅(랜덤포레스트)과 순차적으로 오차를 보정하는 부스팅(GBM)이 각각 무엇을 줄이는지, 어떻게 다른지를 load_breast_cancer로 비교하는 12편입니다.
Docker 해부 (2) - What is Docker: Container, Image, and Registry
Docker가 푸는 문제에서 출발해 container가 VM과 다른 점, Docker와 container의 관계, image의 layer 저장 방식, 그리고 registry까지 Docker의 세 구성요소를 정리합니다.
머신러닝 기초 (11) - Decision Trees
결정트리가 특성 기준으로 데이터를 반복 분할하며 무엇을 학습하는지, 지니와 엔트로피로 분할 기준을 잡는 직관, 깊이가 깊어질 때의 과적합과 max_depth, min_samples_leaf 제어, 그리고 트리의 장단점을 load_breast_cancer, load_diabetes로 확인하는 11편입니다.
대통령과학장학금 합격 수기
대통령과학장학금 지원부터 면접까지, 준비하며 찾기 어려웠던 정보를 정리했습니다.
머신러닝 기초 (10) - Linear Models: Linear Regression and Logistic Regression
선형 회귀와 로지스틱 회귀를 "특성의 가중합"이라는 하나의 뼈대로 묶어, 계수(coef_) 해석과 시그모이드 결정경계, 규제(Ridge, Lasso, C)를 최소한의 코드로 확인하고 선형 가정의 한계까지 짚는 10편입니다.
머신러닝 기초 (9) - Regression Metrics: RMSE, R², and Residuals
회귀 예측을 평가하는 MAE, MSE, RMSE, R²가 각각 무엇을 재는지, 이상치에 어떻게 반응하는지, 그리고 잔차가 남긴 구조를 어떻게 읽는지를 load_diabetes로 확인하는 9편입니다.
Git 스터디 노트 (4) CI/CD: GitHub Actions로 자동화
push와 PR마다 사람이 지키던 규칙을 기계가 지키게 만드는 CI/CD를 정리합니다. CI와 CD의 구분, GitHub Actions의 workflow/job/step 구조, 린트와 테스트를 자동으로 돌리는 첫 워크플로, PR 상태 체크와의 결합, 그리고 병합되면 자동 배포되는 CD까지 다룹니다.
머신러닝 기초 (8) - Classification Metrics: Confusion Matrix and ROC-AUC
정확도가 왜 불균형 데이터에서 무너지는지에서 출발해, 혼동행렬로 오류를 나눠 보고 precision, recall, F1과 임계값 조정, ROC-AUC까지 분류 모델을 평가하는 지표를 정리한 8편입니다.