[2019.11.26/ NHN FORWARD 2019] 세미나 후기
0. 들어가기 전에 - 후기
- 여러 트랙이 존재하여 듣고 싶은 것을 선택하기에 좋았습니다. 적게 올 줄 알았는데, 사람이 정말 많이 와서(800명 넘게?) 놀랬습니다. 그리고 저는 오후에는 머신러닝 기초를 들어 여러 세션은 듣지 못 하였습니다.
- 참고 사이트: NHN FORWARD
1. 점진적으로 프런트엔드 프레임워크 교체하기(AngularJS to Vue)
현재 angluarjs를 쓰고있어서 vue나 혹은 react로 변경하고 싶었다. 따라서 이 세션을 들어보았다.
1. 점진적으로 교체해야하는 이유?
- 전면 교체는 리스크가 크다.
- 컴포넌트 단위로 조금씩 변경
- 일부 페이지만 변경하기!
- 마이크로 프레임 워크 고려하기!
2. 교체 전 필수 준비 사항
- 서비스 기획서 확보
- QA 테스트 케이스 문서 확보
- 코드를 통한 기능 파악
3. 점진적으로 변경하는 법
- spa 포기, 별도 페이지로 분리
- 단점: 페이지가 계속 깜빡인다….
- spa 유지하고, iframe 사용하기
- 단점: 페이지 깜빡이고… qhdks cnldir
- spa 유지, vue in angular js
- 라우터는 angluar js에서만 하도록 해야함
4. 두 프레임워크 간 통신하는 방법
- vue의 리액티브 시스템 활용
- vuex dispatch, commit 사용
- vue에서 angularjs 전달
5. story book을 사용
- 여러 명이서 개발 가능하며 이를 이용해 개발 속도를 올릴 수 있다고 함.
6. 마이크로 프런트 엔드
2. 머신러닝 기초
머신러닝 기초에 대해서 들었고, 간단한 머신러닝 예제를 같이 학습하였다. 정말 기초부터 듣고 싶은 사람에 추천하고, 기초가 아닌 응용된 것을 듣고 싶은 사람에겐 지루할 것 같습니다. 중간에 듣다가 기록을 하지 못하여 머신러닝까지만 기록한 내용입니다.
1. 머신러닝 기초
1-1. 머신러닝이란?
데이터를 잘 표현할 수 있는모델을 찾고, 모델을 이용해 새로운 데이터를예측하는 방법
- 데이터를 잘 표현할 수 있는 모델
- 기준: 예측값과 실제의 값의 차이(Loss)가 작을수록 좋은 모델
- 모델
- 여러가지 모델을 지님
1-2. 딥러닝
- 머신러닝과 다르게 데이터를 구분해줌
1-3. 요약
어떤 data와 어떤 purpose로 하는지 정의가 중요!
2. PyTorch로 시작하기
2-1. python/pyTorch 기초
- 개발환경
- jupyter
- 개발 언어: python
- 인터프리터 언어, 동적 타이핑 언어
- pytorch 사용
- pytorch vs tensorflow
- 라이브러리
- numpy
- pillow
3. linear regression model
3-1. 문제 정의
머신러닝을 사용하여 어떤 태스크를 풀든지 간에 제일 중요한 것은 문제를 명확히 정의 하는 것입니다.
- 여기서는 중간고사 점수로 기말고사 예측
- 데이터셋 정의
- 데이터 가져오기
# PyTorch의 기능들을 사용하기에 앞서 torch 패키지를 불러옵니다.
import torch
from torch.utils.data import Dataset, DataLoader
from torch.optim import SGD
from utils import *
class MyDataset(Dataset):
def __init__(self, dbpath):
super(MyDataset, self).__init__()
self.data = []
with open(dbpath, 'r') as file:
for line in file.readlines():
midterm_score, final_score = line.strip().split(',')
features = float(midterm_score)
labels = float(final_score)
self.data.append([features,labels])
def __getitem__(self, index):
#pass #TODO: data 리스트의 index번째 요소를 리턴해봅시다. #
return torch.tensor(self.data[index][0]), torch.tensor(self.data[index][1])
def __len__(self):
#pass #TODO#
return len(self.data)
# Do not modify below this line #
ds = MyDataset("datasets/score.csv")
print("Total nubmer of data in the dataset: {}".format(len(ds)))
print("7th data in the dataset: {}".format(ds[7]))- 데이터셋 로더
- 데이터셋 객체로부터 손쉽게 데이터를 추출하기 위한 유틸리티 객체
ds = MyDataset("datasets/score.csv")
#ds_loader = #TODO#
ds_loader = DataLoader(ds, batch_size=4, shuffle=True)
# Do not edit below this line #
for features, labels in ds_loader:
print(features, labels)
break- 모델 정의
from torch.nn import Parameter
class MyScoreModel(torch.nn.Module):
def __init__(self):
super(MyScoreModel, self).__init__()
#pass #TODO#
self.weight = Parameter(torch.randn(1))
self.bias = Parameter(torch.randn(1))
#또는
#self.register_parameter('weight', self.weight)
#self.register_parameter('bias', self.bias)
def forward(self, x):
#output = #TODO#
output = self.weight * x + self.bias
return output
# Do not edit below this line #
model = MyScoreModel()
for p in model.parameters():
print(p)4. loss 정의
- MSELoss
- Optimizer(최적화 방법) 정의
- SGD optimizer 사용
4. Logistic Regression with PyTorch
-
합격 불합격 분류 문제라면?
- 선형함수? 계단함수? > 부드러운 계단함수!?
- 중간고사와 기말고사 성적 데이터가 입력으로 주어졌을 때, 패스/유급 여부를 예측하는 Logistic Regression 모델을 구현하기
