📘 데이터 분석 내용 정리1. 데이터 불러오기① 데이터 로딩import pandas as pd# CSV 파일 불러오기df = pd.read_csv('file.csv')# Excel 파일 불러오기df = pd.read_excel('file.xlsx', sheet_name='Sheet1')# JSON 파일 불러오기df = pd.read_json('file.json')# 구분자 지정 CSV (탭, 세미콜론 등)df = pd.read_csv('file.csv', sep='\t') # 탭으로 구분된 경우② 데이터 기본 정보 확인df.head() # 처음 5개 데이터df.tail() # 마지막 5개 데이터df.sample(10) # 랜덤 10개 데이터 확인df.shape # 데이터..
문제https://www.acmicpc.net/problem/14888 풀이 방식해당 문제는 연산자를 사용하며, 가능한 연산을 모두 해보는 완전탐색과 백트래킹으로 해결할 수 있다. 문제를 해결하기 위해서 각 연산을 수행하고, 재귀구조로 이를 구현했다.덧셈, 뺄셈, 곱셈, 나눗셈에 대한 모든 연산을 수행할 수 있도록 dfs함수 내에 for문으로 각 연산을 수행했다. 이렇게 간단하게 해결할 수 있는데, 파이썬의 경우 3번 케이스에서 문제가 발생한다. 본 문제에서 연산자의 숫자는 들어온 순서대로 진행하며, 나눗셈은 버림 연산을 한다고 명시되어 있다.여기서, 나눗셈의 버림 연산 과정이 문제이다. 파이썬에서 나눗셈의 몫만 사용하는 연산은 // 인데, 문제 발생은 이 연산자의 작동 방식에 있다.Python의 나눗셈..
2과목. SQL 기본 및 활용1. 관계형 데이터베이스 개요데이터베이스와 DBMS데이터베이스: 데이터 집합 형식으로 구성된 데이터 모음DBMS: 데이터를 효과적으로 관리하기 위한 시스템(ORACLE, MYSQL 등)관계형 데이터베이스 구성요소계정: 데이터 접근 권한 관리테이블: 데이터를 행(Row)과 열(Column)로 구성하여 저장하는 2차원 구조스키마: 테이블 구성과 정보를 정의하는 구조테이블 특징하나의 테이블은 하나의 계정 소유테이블간 관계(1:1, 1:N, N:M) 가능다른 소유자의 같은 이름 테이블 가능SELECT 문SELECT [DISTINCT] 컬럼명 AS 별칭FROM 테이블명;함수의 종류와 사용법단일 행 함수문자 함수SUBSTR(문자열, 시작위치, 길이): 문자열 일부 반환시작 위치가 음수면..
* 본 요약 개념이 수험생분들에게 도움이 되었으면 좋겠습니다 !1. 데이터 모델링 이해개념현실 세계를 데이터베이스에 추상적, 구조적으로 표현하는 과정데이터베이스의 저장, 조작, 관리 방법 정의특징단순화: 핵심 요소 집중, 복잡성 제거추상화: 현실을 일정 양식으로 표현명확화: 정확한 현상 기술로 의사소통 명료화관점데이터 관점프로세스 관점데이터와 프로세스 결합 관점유의점중복 최소화비유연성 주의비일관성 방지데이터 모델링 요소대상(Entity)속성(Attribute)관계(Relationship)모델링 단계개념적 모델링 (전사적, 추상화 수준 높음)논리적 모델링 (정규화, 데이터 재사용 가능)물리적 모델링 (성능 고려, 가장 구체적)스키마의 3단계외부스키마 (사용자 관점)개념스키마 (통합 논리적 구조)내부스키마 ..
YOLO는 2016년 YOLOv1부터 시작하여, 매 버전마다 새로운 기술과 혁신을 도입해왔다. 아래 표는 YOLOv1부터 YOLOv12까지의 주요 특징을 정리한 것이다. 버전 (연도) 주요 특징 참고 문헌 YOLOv1 (2016)단일 단계 객체 검출기를 도입한다. 이미지 그리드를 분할한 후 바운딩 박스와 클래스 확률을 한 번에 예측한다 (실시간 45 FPS이다).Redmon et al., CVPR 2016YOLOv2 (2017)앵커 박스를 도입하고 멀티 스케일 학습을 수행하며, YOLO9000을 발표한다. 배치 정규화와 높은 해상도 입력을 통해 정확도를 향상시킨다.Redmon & Farhadi, CVPR 2017YOLOv3 (2018)더 깊은 Darknet-53 백본을 사용하며, 3 스케일 예측 및 ..
0. 개요YOLOv12는 기존 YOLOv11의 효율성과 속도를 유지하면서도, Attention 중심의 새로운 아키텍처와 Residual ELAN (R-ELAN) 백본, 그리고 FlashAttention 기술을 도입하여 성능(accuracy) 면에서 큰 개선을 이루었다. 특히, 넓은 영역의 정보를 효과적으로 반영하는 Area Attention (A2) 모듈이 도입되어 복잡한 장면이나 작은 객체 검출에 탁월한 성능을 보인다.1. 문제점 파악기존 YOLO 모델들은 빠른 실시간 객체 검출에 강점을 두었으나,복잡한 배경이나 작은 객체 검출 시 정확도에서 한계를 보였다.CNN 기반 구조는 긴 범위의 상관관계를 포착하는 데 제약이 있었다.따라서 실시간성을 유지하면서도 더 높은 정확도를 달성할 수 있는 새로운 아키텍처..
