윤구의 이것저것 프로그래밍 블로그

DynamoDB Stream이란 DynamoDB 테이블의 변경사항(INSERT, MODIFY, REMOVE)에 대한 정보를 스트림 형태로 처리할 수 있도록 해주는 기능 사용 사례 DynamoDB 테이블의 데이터를 다른 시스템의 저장소에 기록하여 동기화된 복제본 생성 모바일 앱과 연동된 DynamoDB 테이블의 데이터가 수정되고 이를 캡쳐/저장하여 실시간 사용량을 측정 그룹에 속한 친구가 사진을 새로 업로드하면 애플리케이션에서 그룹에 속한 모든 친구들에게 즉시 알림을 전송 새로운 고객이 생기면 DynamoDB 테이블에 데이터가 추가되고, 해당 이벤트가 발생하면 새 고객에게 환영 이메일을 발송하는 애플리케이션이 호출 DynamoDB Stream에 대한 엔드포인트 AWS 에서는 아래 그림과 같이 DynamoD..

이번 포스팅에서는 WebDriverIO를 통해 브라우저의 테스트를 진행하는 간단한 예제를 준비했습니다. 해당 내용을 진행하기에 앞서, 이전 포스팅을 먼저 참조할 것을 추천드립니다. 본 포스팅에서 사용하는 테스트 런타임 환경은 아래와 같습니다. OS : Ubuntu 18.04.1 LTS 64bit Node.js Runtime : v10.14.2 LTS Browser : Firefox 64.0 canonical-1.0 WebDriverIO 에서 테스트를 진행하기 위해 test runner 를 사용할 것입니다. 이는 테스트를 도와주는 도구 정도로 생각하시면 됩니다. 먼저 WebDriverIO 에서 사용하는 test runner를 설치해줍니다. 1 npm i --save-dev @wdio/cli cs 다음 아래..

이번 포스팅에서는, 원격 브라우저 사용 방법에 대해 알아보겠습니다. 이에, WebdriverIO라는 테스트 자동화 프레임 워크를 사용할 것입니다. 테스트 자동화를 위해 WebdriverIO는 Webdriver 프로토콜과 Appium 자동화 기술을 기반으로 하여 테스트를 수행합니다. WebDriver와 관련된 자세한 설명은 아래 링크를 참조 부탁드립니다.https://www.w3.org/TR/webdriver/ 본 포스팅에서 사용하는 테스트 런타임 환경은 아래와 같습니다. OS : Ubuntu 18.04.1 LTS 64bit Node.js Runtime : v10.14.2 LTS Browser : Firefox 64.0 canonical-1.0 먼저 Webdriver 가 Firefox와 상호작용을 하기 위..

이번 포스팅에서는 이항 분류(Binary Classification) 문제를 정의하고 있는 로지스틱 회귀에 대한 텐서플로우 구현에 대해서 이야기할 것이다. 구현하기전에 어떤 것을 다룰 것인지 간략하게 설명하자면.. 여기서 다룰 트레이닝 데이터는 학생이 n일동안 m시간 공부 했을 때 PASS 또는 FAIL에 대한 결과치에 해당하는 트레이닝 데이터 셋을 가지고 기계학습을 시킨 후 새로운 파라미터가 전달되었을 때 (일 수, 공부시간) 이 데이터에 대해서 PASS/FAIL을 결정하는 것을 지켜보겠다. 여기서도 마찬가지로 오차 함수(Cost Function)가 최소화가 되도록 적절한 learning_rate의 파라미터를 지정하고 경사하강법 또는 최대경사법 최적화 알고리즘을 이용하여 기울기의 반대방향으로 조금씩 이..

로지스틱 회귀(Logistic Regression) 이번 포스팅에서는 둘 중에 하나 (TRUE/FALSE) 이항 분류의 문제를 정의하고 있는 로지스틱 회귀에 대하여 알아 볼 것이다. ( 다항 분류의 문제는 다음 포스팅에서.. ) 우리는 이전 포스팅인 선형 회귀(Linear Regression)의 방법에서x의 값인 트레이닝 데이터(Training Data)를 입력하여 y의 값인 숫자를 예측하는 것의 모델(즉, 학습시간에 따른 시험 점수와 같은 문제) 에 대하여 알아 보았다. 이와 비슷하게, 로지스틱 회귀(Logistic Regression)는 y의 값이 숫자를 나타내는 것이 아니라 어떤 특정 분류에 속한다는 것의 결과치가 나오게 되는 모델이다. 그 중 이항분류의 문제를 살펴볼 것이다. 예를들어, 독립변수의..

이번에는 cost 비용을 최소화 하기 위한 최적화 알고리즘 경사 하강법(Gradient Descent) 에 대해서 간략하게 알아보겠다.먼저 최적화에 대한 개념을 잠깐 짚고 넘어가 보자.최적화란, 여러 가지 허용되는 값들 중에서 주어진 기준을 가장 잘 만족하는 것을 선택하는 것 을 의미한다.그 최적화의 종류에는 대표적으로 유전 알고리즘인 조합 최적화 그리고 경사 하강법인 함수 최적화 방법이 있다.그 중 우리는 함수 최적화 방법인 경사 하강법 알고리즘을 활용하여 비용함수(Cost Function)를 최소로 만드는 것이 목적이었다. (다른말로, 에너지 함수라고 했던가..) 경사 하강법(Gradient Descent)해당 함수의 최소값 위치를 찾기 위해 비용 함수(Cost Function)의 그레디언트 반대 방..

이번 포스팅에서는 머신러닝 카테고리에서 포스팅한 선형 회귀에 대한 이해를 바탕으로 텐서플로우로 구현을 해볼 것이다. 텐서플로우는 다음과 같은 처리를 반복한다. 1. 텐서노드와 엣지로 이루어진 그래프를 빌드한다.2. 세션을 통해서 그래프를 실행 시킨다. ( Session.run() )3. 실행 결과를 기반으로 텐서 플로우는 다시 그래프를 업데이트 시키기 위해 W(가중치) 값과 b(바이어스) 값을 조절한다. 우리는 선형 회귀 모델에서 H(x) = Wx + b 라는 간단한 식을 알 수 있다.이 간단한 식을 통하여 구현하게 되는데.. 우리는 이와 같은 아주 간단한 데이터 셋이 있다고 하자.X Y 1 1 2 2 3 3 이에 해당하는 코드를 작성하면 아래와 같다. 1234import tensorflow as tf ..

이전 포스팅에서 머신러닝의 개념 중 지도학습(Supervised Learning) 에 대하여 포스팅 하였다. 그 중 머신러닝에서의 선형 회귀(Linear Regression)을 활용한 모델이 있는데 이에 대해 알아보자! 회귀 분석(Regression Analysis) 먼저 회귀 분석에 대해서 간단히 짚고 넘어가자.회귀의 사전적인 의미는 "다시 예전의 상태로 돌아감" 을 의미한다. 이 용어는 영국의 유전학자 Francis Galton 이라는 분이 유전의 법칙을 연구하다 나온 것에 기인하게 되는데 대략적인 연구내용을 살펴보자면 부모와 자녀의 키 사이의 관계를 연구하면서 나오게 된 연구의 결과로 자녀의 키가 아버지 그리고 어머니 키의 평균을 조사하여 표로 나타낸 결과 결국 자녀의 키는 엄청 크거나 작은 것이 ..

이 글을 포스팅 하기에 앞서 텐서플로우의 기본적인 개념이나 아키텍쳐 등과 기본 자료형에 대하여 먼저 포스팅 하였다. 어찌되었건 텐서플로우는 구글에서 제공하는 머신러닝의 라이브러리이고 이를 활용하려면 어쨌든 머신러닝의 개념을 알아야 한다. 지금부터 인공지능의 한 분야인 기계학습을 파헤쳐 보자! 기계학습(Machine Learning)이란 무엇인가? 우리는 프로그래밍 언어를 배우면서 자연스럽게 함수의 파트를 지나가게 된다. 함수는 어떤 파라미터 즉, 입력(Input) 값을 전달하면 출력(Output) 값을 제공하는 것이며 반드시 끝나게 되어있다. 라고 배웠을 것이다. 머신러닝도 이와 마찬가지다 그런데 일반적인 함수보다는 조금 더 복잡한 함수라고 생각하면 될 것이다. 두 가지 예를 들어보자. 첫째로, 이메일 ..

다음은 텐서플로우 Placeholder 에 대해서 알아보겠다. 자료형이라고 하는게 맞는지는 모르겠지만.. 어쨌든.. placeholder 자료형은 조금 특이하다. 선언과 동시에 초기화 하는 것이 아니라 일단 선언 후 그 다음 값을 전달한다. 따라서 반드시 실행 시 데이터가 제공되어야 한다. 여기서 값을 전달한다고 되어 있는데 이는 데이터를 상수값을 전달함과 같이 할당하는 것이 아니라 다른 텐서(Tensor)를 placeholder에 맵핑 시키는 것이라고 보면 된다. placeholder의 전달 파라미터는 다음과 같다.placeholder( dtype, shape=None, name=None )dtype : 데이터 타입을 의미하며 반드시 적어주어야 한다.shape : 입력 데이터의 형태를 의미한다. 상수 ..