Programmers
[프로그래머스 스쿨 AI] Weak 3 numpy
1. numpy 파이썬에서 array를 좀더 활용적이게 쓸 수 있게 해주는 모듈 이라 한다 1. 사용법 함수 내용 사용법 np.array(리스트) 리스트 넣어서 사용함 np.array([[1,2,3],[4,5,6]]) np.array(리스트) - np.array(리스트) 더하기 빼기 곱하기 나누기 하는법 np.array( [1,2,3] ) - np.array( [4,5,6] ) [-3,-3,-3] 만들어진array[ : , None] 범위 출력 그리고 없는곳은 복사해서 이어감 y = np.array([0,1,0]) y = y[:,None] [[0] [1] [0]] np.zeros(( 크기 )) 0으로 채움 np.zeros(( 3 , 3 , 3 )) np.ones(( 크기 )) 1로 채움 np.ones((..
[프로그래머스 스쿨 AI] Weak 3 깃 사용
1. 깃으로 보내라! 잘 가긴한다 근데 귀찮다 깔거도 많고 걍 암것도 안깔고 쓰고 싶다 코랩도 된다 git 저장소에서 파일의 상태 1. Working Directory 여기서 git add 로 stag에 보낼수 있다 2. Staging Area 그리고 commit 을 사용하면 Repository에 보넬 수 있다ㅇ 여기서 git reset 하면 work로 돌아간다 3. Repository 여기서 push 하면 웹 git에 넘긴다 여기서 pull 하면 git을 가저온다 ============위는 로컬(내컴퓨터)===== 4. Repository 여기가 깃 웹임 걍 간단히 할거 0. 로그인 설정하기 git config --global user.name "이름" git config --global user.em..
[프로그래머스 스쿨 AI] Weak 3 엔트로피
1. 자기정보 (self- information): i(A) A : 사건 $i(A) = log_b(\frac{1}{P(A)})= -log_b P(A)$ 확률이 높은 사건: 정보가 많지 않음 예) 도둑과 개 개가 안짓을 확률>>>?? 정보가 많이 필요함 정보의 단위 b = 2: bits b = e: nats b = 10: hartleys 그냥 단위 많다 특성 $i(AB) = log_b(\frac{1}{P(A)P(B)}) =log_b(\frac{1}{P(A)}) + log_b(\frac{1}{P(B)})$ = i(A) + i(B) $P(H) = \frac{1}{8} , P(T) = \frac{7}{8}$ $ i (H) = 3 $비트, $i(T) = 0.193$ 비트 왜인지 모르겟다 엔트로피는 자기 정보의 평..
[프로그래머스 스쿨 AI] Weak 3 검정
1. 가설 검정 귀무가설 $H_0 : \mu = \mu_0$ 대립 가설 $H_1 : \mu > \mu_0$ 귀무가설을 기각하기 위해서는 $\bar X$ 가 큰값이 나와야함 확률의 기준점을 정해놓고 $\alpha $ 유의수준 그니깐 이거보다 오바되면 뭔가 이상한거다 하는것 $P(\bar X \geq k) \leq \alpha $ 위의 값이 거짓일 경우 귀무가설이 안맞다고 생각할 수 있음 $Z = \frac{\bar - \mu}{S / \sqrt{n}} ~ N(0,1)$ $P(Z \geq z_{\alpha})= \alpha$ 귀무가설을 기각할지 말지를 이렇게 정하는 것이다 그렇지 안타면 귀무가설 채택 예제가 필요하다 이해가 잘 안된다 그냥 간단히 생각하면 이러나기 힘든확률이면 기각 한다 2. 모평균의 검정 ..
[프로그래머스 스쿨 AI] Weak 3 추정
1. 모평균 1. 점추정 표본 평균의 특성 모집단이 정규분포인 경우 표본평균 사용 $\bar X = \frac{X_1 + X_2 + \cdots + X_n}{n} = \frac{\sum ^n _{i=1} X_1}{n}$ 모평균 $\mu$의 추정에 사용되는 통계량 대표번인 경우 (n값이 30이상인경우)\ 중심극한 정리에 의해 표본 평균이 정규분포를 따른다고 가정함 점추정 값 구하기 코드 colab.research.google.com/drive/1xOfF68h9IDQ2NrenWSAzr0holVS1zRr-?usp=sharing [Programmer][Weak3] 추정.ipynb Colaboratory notebook colab.research.google.com import random import numpy..
[프로그래머스 스쿨 AI] Weak 3 표본분포
1. 표본분포 표본을 얻기위핸 해석을 분석 하지만 전수조사(하나씩 다 새보는것) 과는 오차가 있다 실습 코드 colab.research.google.com/drive/14hpd3lJj4uPE062Mm1g9GBQXuWTkwScs?usp=sharing [Programmer][Weak3] 표본분포.ipynb Colaboratory notebook colab.research.google.com 1. 단순 랜덤 추출법 난수 혹은 랜덤 넘버를 생성하여 사용한다 코드로는 import random [random.randint(1,10) for i in range(10)] 2. 표본 평균의 분포 모수 = 표본조사를 통해 파악하고자 하는 정보 모수의 종류 모평균 = 모수들의 평균 모분산 = 모수들의 떨어진 정도 모비율 =..
[프로그래머스 스쿨 AI] Weak 2 몇가지 확률분포
1. 이항분포 이름 설명 부르는 방법 베르누이 시행 적확하게 2개의 결과만 가지는 실험 성공확률 : $p$ 확률 변수 X $n$번의 베르누이 시행에서 성공의 횟수 이항확률 변수라고 함 이항분포 이항확률변수의 확률 분포 이항분포 이항확률변수 X의 확률 분포 $f(x) = p[X=x]= \binom{n}{x}p^x(1-p)^{n-x}$ 이항확률변수 X의 확률 분포 $f(x) = p[X=x]= \binom{n}{x}p^x(1-p)^{n-x}$ 예) 랜덤박스 뽑기 S급 득탬할 확률은 0.2 나머지는 꽝 3개를 뽑았을때 적어도 하나이상의 S 카드가 나올 확률은? $P[X\geq 1]= 1 - P[X = 0] = 1 - \binom{3}{0}(0.2)^0(1-0.2)^{3-0} = 1- 0.512 = 0.488$ ..
[프로그래머스 스쿨 AI] Weak 2 확률 분포
1. 확률 변수 1. 이산확률 변수 값이 셀수 가 없는 경우 초등학생이 몇개다 말할 정도 2. 연속확률 변수 셀수 없는 경우 너무 많아서 초등학생이 몇개다 말 못할 정도 3. 확률 변수는 실수다 2. 확률 분포 확률변수가 가질 수 있는 값에 대해 확률을 대응시켜주는 관계 주사위 $1 = 1/6 \ 2 = 1/6 \ 3 = 1/6 \ 4 = 1/6 \ 5 = 1/6 \ 6 = 1/6$ 2. 이산확률변수 1.이산확률변수의 확률분포 보통 함수로 주어짐 $P(X =x ) = f(x)$ 이럴떄 x 0 2 5 $P(X= x) 0.1 0.3 0.6 $P(X =x ) = f(x) = frac{x +1}{10}$ 이라할때 $P(X= 0) = $위에 식에 대입 $0.1$ $P(X = 2) = 0.3 $ $P(X = 5) ..
[프로그래머스 스쿨 AI] Weak 2 확률
1. 확률 다들 아는 뜻 표본공간 : 경우의수 사건 : 발생한것 확률에서는 괄호가 이렇게 작용한다 $_nC_r = \begin{pmatrix} 7 \\ 3 \end{pmatrix} = \frac{n!}{r!(n-r)!}$ 2. 덧셈 법칙 주사위 생각하기 A = {2,,4, 6} B = {4, 5, 6} 사건 A 나 사건 B가 일어날 확률 (짝대기 원소의 개수)
[프로그래머스 스쿨 AI] Weak 2 통계학
1. 용어 모집단 = 어떤질문이나 실험을 위해 관심의 대상이 되는 개체나 사건의 집합 예 전교 학생의 키 모수 = 모집단의 수치적인 특성 예 학생의 키의 평군 표본 - 모집단에서 선택된 개체나 사건의 집합 도수 = 어떤 사건이 실험이나 관찰로부터 발생한 횟수 표현방법 도수분포표 막대그래프 : 하나씩 샌거 히스토그램 : 비슷한거 뭉탱이 지은거 양적 데이터 : 데이터가 세밀하게 되있어서 곂치는것이 거의 없음 모평균 $ \mu $ 모집단 전체 자료일 경우 표본 평균 $\bar{ x }$ 모집단에서 추출한 표본일 경우 분산 편차의 제곱의 합을 자료의 수로 나눈 값 편차 :값과 평균의 차이 자료가 모집단일 경우: 모분산 $\sigma ^2 = \frac{1}{N}\sum ^N _{i=1}(x_i- \mu )^2$..