2020.01.13~2020.01.26 회의록

프론트와 백이 나뉘어 각자 스터디를 진행함.

 

* 프론트 엔드

하경 :

 javascript 강의 (모던 자바스크립트 패스트캠퍼스 강의 1-4장 듣기 ; 각 34강)

+ 자연어 처리 스터디 : RNN, LSTM , word embedding 논문 공부

https://9bow.github.io/PyTorch-tutorials-kr-0.3.1/intermediate/char_rnn_classification_tutorial.html 

#문자 단위 RNN으로 이름 분류하기

 

주혜 :

딥러닝 공부

lec 01

explicit programming의 한계 : 개발자가 원하는 기능을 일일이 프로그래밍 해줘야 한다.

-> 이러한 한계를 보완하여, 프로그램이 스스로 판단할 수 있는 상황을 고안. 이것이 ML의 시작

supervised learning : lable된 training set을 통해 프로그램을 학습시킨다.

unsupervised learning

training set

x: data, y: label

regression(0점부터 100점까지), binary classification(Pass/Fail), multi-label classification(A/B/C/D/F)

 

Data flow graph : node들의 계산들을 나타낸 그래프

 

hello = tf.constant(“Hello, TensorFlow!”)

sess = tf.Session()

print(sess.run(hello)) # 앞에서 정의한 hello라는 node가 실행

 

1st. TensorFlow operation을 통해 그래프 그리기

node3 = tf.add(node1, node2) # node들의 합으로 node3 정의

2nd. node를 실행하기 위해서는 sess.run(op) 사용

print(sess.run(node3))

 

그래프를 먼저 그리고->그 다음 값을 대입하여 실행시키고 싶을 때 : placeholder라는 node 사용 (조금만 더 복잡해진다면 아주 효율적임)

a = tf.placeholder(tf.float32)

b = tf.placeholder(tf.float32)

adder_node = a+b # 연산 정의

print(sess.run(adder_node, feed_dict={a: 3, b: 4.5})) # 그리고 값을 넘길 때는 feed_dict 사용

 

rank : data의 차원

ex) s=483(0차원), v=[1.1, 2.2, 3.3](1차원), m=[[1,2,3], [4,5,6], [7,8,9]](2차원), t=[[[2], [4], [6]]]

shape : element의 크기

type : float, double, int 등

+ React 공부

 

* 백 엔드

Node.js 인강 듣고 공부

 

200109 Node.js 스터디 - 추지온.pdf

0.09MB

 

Javascript 객체 & 모듈 API (20.1.9).docx

0.02MB

200109_node스터디_여수현.zip

0.99MB