Season 1 아카이브
django 자동완성 구현하기 django-autocomplete-light
2016. 12. 26.django 자동완성 구현하기 django-autocomplete-light django-autocomplete-light 설치 documentation http://django-autocomplete-light.readthedocs.io/en/master/ 타이틀이나 태그 등 입력시 텍스트를 자동 완성해주는 django 패키지 django-autocomplete-light 3.2.1 를 설치해보자.DAL(django-autocomplete-light)는 Python 2.7, 3.4, Django 1.8+ 이상에서 작동하며, 태그입력시 적용할려면 django-taggit 이 먼저 설치되어 있어야 한다. 다음과 같이 설치한다.12345678910# pip install django-autocomplete-..
장고 내장 필터(소수점 표시) Built-in filter reference
2016. 12. 17.실수 표시 필터 인수없이 사용하는 경우 반올림하여 소수점 한자리까지 표시된다. 단, 소수파트가 0 인 경우 정수파트만 표시된다. 1234value Template Output34.23234 {{ value|floatformat }} 34.234.00000 {{ value|floatformat }} 3434.26000 {{ value|floatformat }} 34.3cs 정수가 인수로 사용된 경우 해당 소수점 자리수만큼 표시된다. 1234value Template Output34.23234 {{ value|floatformat:3 }} 34.23234.00000 {{ value|floatformat:3 }} 34.00034.26000 {{ value|floatformat:3 }} 34.260cs 특히 0..
Haystack 설치 및 실행하기 Getting Started with Haystack
2016. 12. 15.Haystack 설치 및 실행하기 Getting Started with Haystack 실습용으로 아래와 같이 간단한 노트 앱에 검색 기능을 붙여보자. myapp/models.py 1234567891011from django.contrib.auth.models import Userfrom django.db import models class Note(models.Model): userid = models.ForeignKey(User, related_name='user_note') pub_date = models.DateTimeField() title = models.CharField(max_length=200) body = models.TextField() def __unicode__(self): ret..
우분투에 엘라스틱서치 설치하기 How To Install and Configure Elasticsearch on Ubuntu 14.04
2016. 12. 6.우분투에 엘라스틱서치 설치하기How To Install and Configure Elasticsearch on Ubuntu 14.04 Prerequisites본 예제를 위해서는 아래의 2가지 사항이 준비되어 있어야 한다. A Ubuntu 14.04 Droplet A non-root sudo user 12root@localhost:~# cut -d: -f1 /etc/passwdroot@localhost:~# adduser elasticcs Installing JAVA 1. Installing OpenJDK 1) update the list of available packages 2) install OpenJDK 3) To verify your JRE is installed 123456root@localho..
니시지마 도모히로, <생각의 스위치>
2016. 12. 6.1. 사고 시간 제한 2. 방향성부터 시작 3. 버리는 것을 전제로 4. 과정에서는 '단 한 사람'을, 하지만 결과적으로는 '모두'에게 1. 상식에서 비상식으로 2. 반의어 붙이기 3. 주제와 밀접한 부속품 4. 한정 5. 순서 나열 후 바꾸기 6. 다른 사람으로 빙의 7. 뚜렷한 동기 (동물, 아이, 여고생, 섹시, 공포, 프로포즈, 결혼식) 8. 세계기록 9. 키워드를 나열한 후 주제와 접목 10. 유명문구 이용 11. 4대 욕구 채우기 1. 아이디어를 얼마나 대변하나 2. 주목을 끄는가 3. 말하기 부끄럽지 않은가 4. 언어의 재현성이 뛰어난가 우리에게 필요한 건 = 좋은 아이디어 + 좋은 기획 + 좋은 제목 즉답력은 많은 양으로 이어지고, 나의 말이 된다. 생각의 스위치국내도서저자 : 니시지마 도..
호리에 다카후미, <진심으로 산다> - 변명하는 놈은 떠나라
2016. 12. 6.읽고 싶었지만 드문드문 번역 출간되는 관계로 항상 아수웠던 호리에몽의 신간이 나왔다. 두툼하지는 않아 잠깐 구매를 망설였지만, 엑기스는 있었다. 다수의 참고문헌이 국내 미출간. 아쉽다. - 아들러 심리학의 사고방식을 받아들이기 힘든 사람이 있을지도 모르지만, 나로서는 정말 납득이 가는 내용이었다. 일반적으로는 원인이 있어서 결과로 이어졌다고 생각하기 쉬운데, 아들러 심리학에서는 '원인', 즉 변명을 일절 인정하지 않는다. 즉, '밖에 나가고 싶지 않다.'는 목적이 먼저 오고, 그 목적을 달성하는 수단으로 '불안이라는 감정을 지어내고 있다.'고 본다. 요컨대, 할 수 없는 변명을 마련함으로써 자신을 상처입히지 않고 끝내려 하는 셈이다. - 변명을 그만두면 정말로 일이 깔끔하게 풀린다. 곧장 몸이 움직여지게..
파이썬 문서 생성기 스핑크스 설치 First Steps with Sphinx
2016. 12. 5.파이썬 문서 생성기 스핑크스 설치 First Steps with Sphinx 스핑크스 설치 1# pip install Sphinxcs 설치된 경로는 다음과 같다 /root/anaconda/envs//lib/python3.5/site-packages/sphinx 환경설정 1234567891011121314# sphinx-quickstartWelcome to the Sphinx 1.4.9 quickstart utility. Please enter values for the following settings (just press Enter toaccept a default value, if one is given in brackets). ...... Finished: An initial directory st..
비지도 학습 (2) - k평균으로 손글씨 숫자 군집화
2016. 12. 3.비지도 학습 (2) - k평균으로 손글씨 숫자 군집화 k 평균 k평균은 데이터 점을 뚜렷한 그룹인 군집으로 분할하는 분할 알고리즘에 속한다. k평균의 주요개념은 군집 내 평균과 군집내 점들의 제곱 거리를 최소로 만들기 위해 각 점들의 군집을 찾는 것이다. 이 기법은 나누고자 하는 군집의 개수를 미리 알고 있다고 가정한다. 123456789101112131415161718192021>>> %matplotlib inline>>> >>> import numpy as np>>> import matplotlib.pyplot as plt>>> >>> from sklearn.datasets import load_digits>>> from sklearn.preprocessing import scale>>> digits..
비지도 학습 (1) - 주성분 분석(Principal Component Analysis, PCA)
2016. 12. 2.비지도 학습 (1) - 주성분 분석(Principal Component Analysis, PCA) 주성분 분석(Principal Component Analysis, PCA) 주성분 분석은 상관된 변수의 집합을 가능한 한 상관되지 않는 변수의 집합으로 변환하는 직교 선형 변환이다. 주성분 분석은 데이터를 한개의 축으로 사상시켰을 때 그 분산이 가장 커지는 축을 첫 번째 주성분, 두 번째로 커지는 축을 두 번째 주성분으로 놓이도록 새로운 좌표계로 데이터를 선형 변환한다. 이와 같이 표본의 차이를 가장 잘 나타내는 성분들로 분해함으로써 여러가지 응용이 가능하다. 이 변환은 첫째 주성분이 가장 큰 분산을 가지고, 이후의 주성분들은 이전의 주성분들과 직교한다는 제약 아래에 가장 큰 분산을 갖고 있다는 식으로 정의..
Google Analytics 페이지 제목 설정하기
2016. 11. 25.Google Analytics 분석화면에서 [페이지 제목]이 제대로 불러와지지 않을 때나 다른 제목을 달고 싶은 경우 아래와 같이 수정한다. 기본적인 추적 코드의 포맷은 다음과 같다. 여기서 ln[9],[10] 과 같이 수정하여 적용하면 된다. 123456789101112 (function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){ (i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o), m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m) })(window..
결정트리와 타이타닉 가설 설명 (3) - 회귀를 이용한 예측
2016. 11. 25.결정트리와 타이타닉 가설 설명 (3) - 회귀를 이용한 예측 회귀로 주택 가격 예측 현재까지 예측하고자하는 결과는 이산 집합에 속했다. 하지만 실수 값을 예측해야하는 경우도 있다. 학습하는 방법은 같다. 다만 리스트에서 범주를 선택하는 대신에 분류기는 속성 학습의 조합 각각에 대해 실수를 반환하는 함수처럼 행동한다. 목적범주가 무한수인 분류기로서 회귀 문제를 생각할 수 있다.많은 문제는 목적으로 선택하는 범주에 따라 분류와 회귀 태스크 둘 다로서 모델화될 수 있다. 예를 들어, 혈당 레벨의 예측은 회귀 태스크 뿐만 아니라 누군가가 당뇨병이 있는지 없는지 예측하는 분류 태스크도 되는 것이다. 그러면 속성의 함수로서 주택 가격을 예측해보자. 보스턴의 주택 가격에 대한 데이터셋으로, 13개의 속성과 하나의 목..
결정트리와 타이타닉 가설 설명 (2) - 결정트리 분류기 훈련
2016. 11. 24.결정트리와 타이타닉 가설 설명 (2) - 결정트리 분류기 훈련 결정트리 분류기 훈련 먼저 훈련과 테스트 데이터를 분리한다.12>>> from sklearn.cross_validation import train_test_split>>> X_train, X_test, y_train, y_test = train_test_split(titanic_X, titanic_y, test_size=0.25, random_state=33)csDecisionTreeClassifier 를 만들고 학습을 수행하기 위해 분류기의 fit 메소드를 사용한다. 123>>> from sklearn import tree>>> clf = tree.DecisionTreeClassifier(criterion='entropy', max_dept..
list object has no attribute write_png
2016. 11. 22.pydot, graphviz 사용시 아래와 같은 에러가 발생하는 경우 AttributeError : 'list' object has no attribute 'write_png' 123456789101112131415161718192021222324>>> import pydot,StringIO>>> >>> dot_data = StringIO.StringIO() >>> >>> tree.export_graphviz(clf, out_file=dot_data,feature_names=['age','sex','1st_class','2nd_class','3rd_class']) >>> >>> graph = pydot.graph_from_dot_data(dot_data.getvalue()) >>> >>> graph.wr..
결정트리와 타이타닉 가설 설명 (1) - 데이터 전처리
2016. 11. 22.결정트리와 타이타닉 가설 설명 (1) - 데이터 전처리 결정트리는 매우 간단하지만 강력한 지도학습기법이다. 이 모델의 중요한 장점은 사람이 쉽게 이해할 수 있고, 새로운 인스턴스의 목적 범주를 이해하기 위해 결정트리를 따라 결정한다는 것이다. 훈련데이터가 무엇을 제시하느냐보다 결정의 이유를 보여주길 원하는 카드 승인이나 의료 진찰과 같은 태스크에 매우 유용하다. 해결하고자하는 문제는 탑승객의 나이, 선실 등급, 성별을 고려하여 타이타닉호의 탑승객이 생존했는지를 결정하는 것이다. 데이터는 아래 링크에서 다운로드할 수 있다. http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt데이터셋의 각 인스턴스는 다음과 같은 형태를 갖는다. 123456..
Numpy로 수치계산하기 (3)
2016. 11. 19.Numpy로 수치계산하기 (3) NumPy 로 밀도지도 그리기 하루 중 특정 시간대의 승하차 위치에 대한 2D 밀도 지도를 계산하고 그려보자. 먼저, 택시 운행을 선택해보자. 데이터셋에서 저녁 운행수는 242,818건이다. 12345>>> evening = (data.pickup_datetime.dt.hour >= 19).values>>> n = np.sum(evening)>>> n 242818Colored by Color Scriptercs 밀도 지도를 그리는 방법은 다음과 같다. 먼저 저녁 운행수 n 에 대한 모든 승하차 위치를 생각해본다. 이러한 위치에 대한 2n 을 만든다. 모든 위치에서 승차는 -1 의 가중치를, 하차는 +1 의 가중치를 부여한다. 주어진 위치에서 산술 밀도는 이 위치에서 출발하..
Numpy로 수치계산하기 (2)
2016. 11. 19.Numpy로 수치계산하기 (2) 기본 배열 조작 먼저 1부터 10까지의 정수 배열을 만든다.1234567>>> import numpy as np>>> >>> x = np.arange(1, 11)>>> >>> x array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])cs 조작 테이블을 만들기 위해 먼저 x 를 행과 열로 변환하자. x 는 1D 배열이지만 행과 열 벡터는 2D 배열(매트릭스)이다. 1) reshape( ) 를 이용한 방법12345>>> x_row = x.reshape((1, -1))>>> >>> x_row>>>array([[ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10]])csreshape( ) 메소드는 파라메터로 새 크기를 받는다. 원소의 총 개수는 그대로 유지해야..
Numpy로 수치계산하기 (1)
2016. 11. 18.Numpy로 수치계산하기 (1) ndarray 일반적으로 n 차원 배열을 ndarray 라고 말하며, n 차원 매트릭스다. 모든 수를 인덱스로 식별한다. ndarray는 기본적으로 다음으로 정의된다. 차원수 dimensions 세이프 shape 스트라이드 stride데이터 타입 data type실제 데이터배열에서 모든 원소는 같은 데이터 타입(homogeneously typed)을 가져야한다. 순수 파이썬과 NumPy 계산비교 1,000,000개의 무작위 원소를 갖는 두 벡터를 만들어, NumPy의 계산속도가 순수 파이썬 코드에 비해 얼마나 더 빠르지 확인해보자.먼저 순수 파이썬 코드로 278ms 가 소요되었다. 123456789101112>>> from random import random>>> lis..
텍스트 분류를 위한 나이브 베이즈 (2) - 분류기 훈련 및 성능평가
2016. 11. 15.텍스트 분류를 위한 나이브 베이즈 (2) - 분류기 훈련 및 성능평가 나이브 베이즈 분류기 훈련 sklearn.naive_bayes 모듈의 MultinomialNB 클래스와 3개의 벡터라이저를 각각 복합해 서로 다른 3개의 분류기를 만들고 기본 매개변수를 사용해 어떤 것이 더 낫게 수행하는지 비교한다. 123456789101112131415161718>>> from sklearn.naive_bayes import MultinomialNB>>> from sklearn.pipeline import Pipeline>>> from sklearn.feature_extraction.text import TfidfVectorizer, >>> HashingVectorizer, CountVectorizer>>>>>> c..
우분투에 스칼라 설치하기 Install Scala on Ubuntu 14.04
2016. 11. 14.1. Java JDK 설치1# conda install -c cyclus java-jdk=8.45.14cs 2. 스칼라 설치 및 실행1# conda install -c anaconda-cluster scala=2.11.1cs Hello, World! 실행12345678910# scala Setting up SCALA_HOME for scala to /root/anaconda/envs/tensorflow/share/scala-2.11.1 ...Launching scala Welcome to Scala version 2.11.1 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_45).Type in expressions to have them evaluated.Type :h..
텍스트 분류를 위한 나이브 베이즈 (1) - 데이터 전처리
2016. 11. 12.텍스트 분류를 위한 나이브 베이즈 (1) - 데이터 전처리 나이브 베이즈를 통한 텍스트 분류 범주를 가진 텍스트 문서가 있고, 보지 못한 새로운 인스턴스의 범주를 예측하도록 나이브 베이즈 알고리즘을 훈련시킨다.사이킷런에서 구할 수 있는 데이터셋을 사용하여 20개의 다른 주제로 19,000개 뉴스 그룹 메시지를 분류한다. 1) 데이터셋 가져오기학습에 필요한 데이터를 가져온다. 12345678910>>> %pylab inline>>> >>> import logging>>> logging.basicConfig()>>> >>> from sklearn.datasets import fetch_20newsgroups>>> >>> news = fetch_20newsgroups(subset='all')>>> Popul..
ImportError: The pandas.io.data module is moved to a separate package (pandas-datareader)
2016. 11. 12.ImportError: The pandas.io.data module is moved to a separate package (pandas-datareader) 1234567891011121314151617#-*- coding: utf-8 -*- import pandas as pdimport pandas.io.data as webimport datetime def download_stock_data(file_name, company_code, year1, month1, date1, year2, month2, date2): start = datetime.datetime(year1, month1, date1) end = datetime.datetime(year2, month2, date2) df = web...
AICPA 시험 응시까지 프로세스 정리
2016. 11. 11.1 학점취득현황 확인 AICPA（미국공인회계사）시험은 본인이 취득한 학점에 대한 확인이 출발점입니다. 출신대학으로부터 영문성적표를 발급받아,「회계학점」과「경영학점」을 얼마나 취득했는지부터 확인하시기 바랍니다. 카운트될 수 있는 회계학점과 경영학점은 응시주 및 출신대학의 학제에 따라 달라질 수 있으므로, 전문가로부터 정확한 어드바이스를 받는 것이 필요합니다. 2 응시주 선택 각주마다 법률이 상이하므로, 「응시요건」 및 「라이센스요건」 또한 주별로 차이가 있습니다. 본인이 응시하고자하는 주의 요건을 미리 확인한 후, 본인의 목적에 맞는, 또는 응시 가능하거나 응시에 유리한 주를 선택하는 것이 중요합니다. 3 학력평가 미국 이외의 대학에서 취득한 학점에 대해서는, 각 주의 시험위원회가 지정한 학력평가기관에서 ..
서포터 벡터 머신과 이미지 인식 (4) - 서포트 벡터 머신 훈련 (2)
2016. 11. 6.서포터 벡터 머신과 이미지 인식 (4) - 서포트 벡터 머신 훈련 (2) 서포트 벡터 머신 훈련 논의를 확장시켜 이제 안경을 쓴 사람과 그렇지 않은 사람으로 얼굴을 분류해보자. 먼저 해야할 것은 안경을 쓴 사람의 이미지의 범위를 정의하는 것이다. 다음 리스트는 안경을 쓴 사람의 색인이다. 12345678>>> # the index ranges of images of people with glasses>>> glasses = [ (10, 19), (30, 32), (37, 38), (50, 59), (63, 64), (69, 69), (120, 121), (124, 129), (130, 139), (160, 161), (164, 169), (180, 182), (185, 185), (189, 189), (..
서포터 벡터 머신과 이미지 인식 (3) - 서포트 벡터 머신 훈련 (1)
2016. 11. 6.서포터 벡터 머신과 이미지 인식 (3) - 서포트 벡터 머신 훈련 (1) 서포트 벡터 머신 훈련 scikit-learn 의 SVM 을 사용하기 위해 sklearn.svm 모듈에서 SVC 클래스를 임포트한다. SVC를 초기화할 때는 중요한 매개변수를 가진다. 분류기에서 사용하는 커널 함수를 정의하는 kernel 이다(커널 함수는 인스턴스 간의 유사도 측정을 다르게 한다). 가장 간단한 커널이 linear을 사용하자. 12>>> from sklearn.svm import SVC>>> svc_1 = SVC(kernel='linear')cs 데이터셋을 훈련 데이터와 테스트 데이터로 구분한다. 12>>> from sklearn.cross_validation import train_test_split>>> X_tr..
서포터 벡터 머신과 이미지 인식 (2) - 이미지 픽셀을 사용한 학습
2016. 11. 6.서포터 벡터 머신과 이미지 인식 (2) 접근법 1 - 학습 알고리즘에 대해 속성으로 이미지 픽셀을 사용하도록 하는 작업SVM은 매우 커다란 차원 공간을 가지는 이미지 인식에 적용할 수 있다(이미지 각 픽셀의 값을 속성으로 고려한다). 사람의 얼굴을 고려해 그 사람이 속한 리스트를 예측하는 것이다. 여기서 학습 데이터는 레이블된 사람 얼굴 이미지인 인스턴스 그룹이고, 보지 못한 새로운 인스턴스의 레이블을 예측하는 모델을 학습시킨다. 픽셀값 → 학습속성개별 레이블 → 목적 범주 데이터셋을 가져와서 출력해보자. 아래는 해당 데이터셋에 대한 설명 출력이다. 123456789101112131415161718192021222324252627>>> import sklearn as sk>>> import numpy a..
서포터 벡터 머신과 이미지 인식 (1) - 정의 및 장점
2016. 11. 6.서포터 벡터 머신과 이미지 인식 (1) - 정의 및 장점 서포터 벡터 머신(SVM, Support Vector Machine) 이란?데이터셋의 인스턴스가 다차원 공간의 점이라고 생각할 때, 서로 다른 범주에 속한 인스턴스 간의 거리를 최대한 크게 만드는 인스턴스들을 선택하는 방법으로 초평면을 얻는 지도 학습 기법으로 새 인스턴스는 놓여진 초평면의 축을 기반으로 특정범주로 분류된다 위의 이미지를 보면 빨간색 초평면과 파란색 초평면은 오류 없이 흑/백을 구별하지만, 이 중 빨간색 초평면이 최대한 넓은 폭으로 두 범주를 구별한다. 두 범주에서 가까운 인스턴스간 거리가 가장 먼 초평면이다. 이러한 접근법은 일반화 오차를 낮추고 모델이 과적합화되지 않도록 하는 장점이 있다.※ 이러한 접근법은 고차원 속성 공간으로..
scikit-learn (3) - 선형분류 (결과평가)
2016. 11. 6.scikit-learn (3) - 선형분류 (결과평가) 1. 예측하기꽃받침 너비가 4.7이고 꽃받침 길이가 3.1인 새로운 꽃이 있다고 가정하고, 이 꽃의 범주를 예측해보자. 예측 메소드는 인스턴스 배열을 입력받고, 예측 범주의 리스트를 반환한다. 다음과 같다12>>> print clf.predict(scaler.transform([4.7, 3.1]))[0]Colored by Color Scriptercs분류기가 정확했다면, 이 꽃의 범주는 세토사이다. 앞선 포스팅에서 선형 모델은 두 개의 분류를 나누는 것을 기억했다. 그러므로 예측절차는 세 개 이진 분류기의 결과를 합하고 좀 더 확실한 범주를 선택한다. 이 경우 인스턴스에서 멀리 떨어진 경계선을 선택한다. 분류기의 decision_function 메소..
scikit-learn (2) - 선형분류 (훈련데이터 만들기)
2016. 11. 6.scikit-learn (2) - 선형분류 (훈련데이터 만들기) 1. 훈련데이터셋 만들기이 문제는 속성에 따라 인스턴스의 레이블을 지정하는 분류 문제의 한 종류이다. 선택한 두 속성과 목적값으로 만든 본래 데이터셋의 일부 데이터이다. 데이터셋을 임포트한 후 약 75%의 인스턴스를 무작위로 선택하고 남은 인스턴스를 평가 목적을 위해 보유한다.12345678910111213141516>>> from sklearn import datasets>>> iris = datasets.load_iris()>>> X_iris, y_iris = iris.data, iris.target>>> print X_iris.shape, y_iris.shape (150, 4) (150,) >>> from sklearn.cross_va..
matplotlib - <matplotlib.text.Text at 0x7fc3298533d0>
2016. 11. 3.쥬피터 노트북에서 다음과 같이 그래프가 보이지 않는 경우 sklearn_1 In [3]: # 속성을 표준화한다 scaler = preprocessing.StandardScaler().fit(X_train) X_train = scaler.transform(X_train) X_test = scaler.transform(X_test) In [4]: import matplotlib.pyplot as plt colors = ['red', 'greenyellow', 'blue'] for i in xrange(len(colors)): xs = X_train[:,0][y_train == i] ys = X_train[:,1][y_train == i] plt.scatter(xs, ys, c=colors[i]) plt.le..
Jupyter Notebook 셀 크기 조절하기 How to increase/decrease the cell width of the jupyter notebook in browser
2016. 11. 3.Jupyter Notebook 셀 크기 조절하기How to increase/decrease the cell width of the jupyter notebook in browser 아래와 같이 쥬피터 노트북의 소스를 블로그 등에 html 형태로 가져올 때 가로폭이 너무 커서 아래와 같이 스크롤이 생기는 경우가 있다. 한 눈에 볼 수 있도록 창의 크기를 조절해보자. 1. 먼저 Jupyter Notebook 디렉터리를 찾는다. 123(tensorflow)root@localhost:~# jupyter --config-dir/root/.jupyter Colored by Color Scriptercs 2. 해당 디렉토리에 custom 디렉터리를 만들고 아래와 같은 custom.css 파일을 만든다.(width 는..