소품집

곧 석사 막 학기 들어가고 이제 하반기 공채도 들어간다여름 방학 때 좋은 기회로 미네소타 대학교에서 공부했는데, 많이 긴장하고 힘들게 공부하면서 지냈어서 그런지 아직은 좋았던 게 잘 생각나지 않는다 ㅠㅋㅋ 상반기와는 다르게 내 독기도 많이 빠진 것 같고 자신감도 많이 떨어졌는데,그래도 석사 생활에서 할 수 있는 연구 스펙은 최대로 끌었다고 생각한다 SCIE 1 저자 2개, 공저자 다수 그리고 대한전기 KCI도 한 번에 최종본 내라고 할 만큼 내 연구에 자신 있다 불확실성에서는 당연하게도 안정감을 찾을 수 없다차분하게 내 루틴 찾으면서 규칙적인 생활에서 오는 안정감을 찾으려고 노력하려고 하자 요건 미네소타에서의 생활에 관한거고, 공부 한 내용도 티스토리에 차근히 올려보려고 한다 https://blog..

https://github.com/zhouhaoyi/Informer2020 GitHub - zhouhaoyi/Informer2020: The GitHub repository for the paper "Informer" accepted by AAAI 2021. The GitHub repository for the paper "Informer" accepted by AAAI 2021. - zhouhaoyi/Informer2020 github.com Transformer 모델이 장기 시퀀스 데이터에 대하여 효율적인 학습을 개선하기 위한 연구가 많이 진행되고 있는데, 기존 self-attention 메커니즘은 feature 간의 상관 계수를 직접 계산하여 시퀀스 내의 장기 의존성을 캡쳐할 수 있는 장점이 있으나..

이번 포스팅에서는 Transformer 네트워크의 확장 모델인 TFT (Temporal Fusion Transformer)에 대해 알아보자. TFT는 attention 기반의 모델로 장기적 시점을 관측하기 위해 self-attnetion 구조를 사용한다. TFT는 시계열성을 갖는 데이터를 다루는 딥러닝 모델의 한계를 해결하기 위해 다양한 유형의 입력값 간의 교호성 파악이 쉽지 않은 점을 해결하고자 설계되었으며, 각 시점마다 중요한 특징추출을 위해 변수 선택 계층(variable selection layer)와 게이팅 메커니즘(gating mechanism)을 사용한다. TFT는 분위수 손실함수(quantitle loss function)를 사용하여 최종적으로 분위수를 예측한다. 또한, 딥러닝 모델 학습 ..

작년 연구실 첫 출근 날짜가 1월 2일부터였으니, 석사 과정 딱 일 년째 되는 날이다 해가 갈수록 시간이 빠르게 지나가는 게 느껴지고,마음의 여유가 점점 없어지는 것 같아서 변화를 주고 싶긴 하지만 시간은 연속적이니 시작에 많은 의미부여않고이번 한 해 무탈하게 노력한 만큼 이뤄낼 수 있도록 노력해야겠다 티스토리 유입이 점점 다양해지는 것 같은데 방문하시는 모두 건강하세요 ❤️

2과목 11. 다음 주어진 조건에 해당하는 쿼리문을 고르시오. 3 (보기) 특정 칼럼의 데이터 타입 조건으로 not null을 default로 지정한다. 1) alter table 테이블명 alter column 칼럼명 default not null 2) alter table 테이블명 add column 칼럼명 default not null 3) alter table 테이블명 modify(칼럼명 default not null) 4) alter table 테이블명 add_coonstrait column칼럼명 default not null [해설] 테이블에 존재하는 칼럼의 데이터 유형, 디폴트(default) 값, not null에 대한 제약조건을 변경하는 명령어는 alter문의 modify이다. alter..

분산 데이터베이스란? 데이터베이스 시스템 구축 시에 한 대의 물리적 시스템에 데이터베이스 관리 시스템을 처리하고 여러 명의 사용자가 데이터베이스 관리 시스템에 접속하여 데이터베이스를 사용하는 구조를 중앙 집중형 데이터베이스라고 한다. 그에 반해, 물리적으로 떨어진 데이터베이스에 네트워크로 연결하여 단일 데이터베이스 이미지를 보여주고 분산된 작업을 처리를 수행하는 데이터베이스를 분산 데이터베이스라고 한다. 분산 데이터 베이스를 사용하는 고객이 시스템이 분산되어 있는지 인식하지 못하면서, 자신만의 데이터베이스를 사용하는 것 처럼 사용할 수 있다. 이처럼 데이터베이스는 투명성을 제공해야 한다. 투명성은 분산 데이터베이스에서 중요한 요소이며 투명성의 종류에는 분할, 위치, 지역 사상, 중복, 장애 및 병행 투명..

정규화란? 정규화는 데이터의 일관성, 최소한의 데이터 중복, 최소한의 데이터 유연성을 위한 방법이며 데이터를 분해하는 과정이다. 정규화된 모델은 테이블이 분해된다. 테이블이 분해되면 직원 테이블과 부서 테이블 간에 부서코드로 조인(join)을 수행하며 하나의 합집합으로 만들 수 있다. 정규화를 하면 불필요한 데이터를 입력하지 않아도 되기 때문에 중복 데이터가 제거된다. 정규화 절차 정규화의 문제점 정규화는 데이터 조회(select) 시에 조인(join)을 유발하기 때문에 CPU와 메모리를 많이 사용한다. 아래 코드를 프로그램화 한다면 중첩된 루프(Nested Loop)를 사용해야 한다. [ANSI JOIN} select 사원번호, 부서코드, 부서명, 이름, 전화번호, 주소 from 직원, 부서 where..

엔터티(Entity) 엔터티는 업무에서 관리해야 하는 데이터 집합을 의미하며, 저장되고 관리되어야하는 데이터이다. 엔터티는 개념, 사건, 장소 등의 명사이다. 엔터티 특징 [Relation, Table, Instance?] Relation: 테이블 Relation에 기본키 및 제약조건을 설정하면 테이블이 된다. Relationship: Relation간의 관계 Instance: Relation이 가질 수 있는 값을 의미한다. 간단하게 행의 수라고 생각! 엔터티 종류 유형과 무형에 따른 엔터티 종류 유형 엔터티 개념 엔터티 사건 엔터티 발생 시점에 따른 엔터티 종류 기본 엔터티 사건 엔터티 행위 엔터티 속성(Attribute)의 특징 속성은 업무에 관리되는 정보이다. 속성은 하나의 값만 가진다. 주식별자에..

3층 스키마 사용자, 설계자, 개발자가 데이터베이스를 보는 관점에 따라 데이터베이스를 기술하고 이들 간의 관계를 정의한 ANSI의 표준 3층 스키마는 데이터베이스의 독립성을 확보하기 위한 방법 3단계 계층으로 분리해서 독립성을 확보하는 방법으로 각 계층을 뷰(View)라고 한다. 3층 스키마의 독립성 논리적 독립성 → 개념 스키마가 변경되더라도 외부 스키마가 영향을 받지 않는 것이다. 물리적 독립성 → 내부 스키마가 변경되더라도 개념 스키마가 영향을 받지 않는 것이다. 3중 스키마 구조

데이터 모델링이란? 데이터 모델링은 현실세계를 데이터베이스로 표현하기 위해 추상화한다. 데이터 모델링을 하기 위해서는 고객의 업무 프로세스를 이해하여야 하며, 데이터 모델링 표기법을 사용해서 모델링을 한다. 데이터 모델링은 고객의 업무 프로세스를 추상화하고, 소프트웨어를 분석, 설계 하면서 점점 더 상세해진다. 데이터 모델링은 고객의 비즈니스 프로세스를 이해하고 비즈니스 프로세스의 규칙을 정의한다. 정의된 비즈니스 규칙을 데이터 모델로 표현한다. 데이터 모델링의 특징 데이터 모델링 단계 데이터 모델링 단계 데이터 모델링 관점 데이터 모델링을 위한 EDR(Entity Relationship Diagram) EDR 작성 절차 엔터티를 도출하고 그린다. 엔터티를 배치한다. 엔터티 간의 관계를 설정한다. 관계명..