소품집

Prediction intervals (PI)는 point 예측과 관련된 불확실성 수준을 정량화하여 더 많은 정보를 제공할 수 있다는 점에서 제안되었는데, ref.[1]에서는 Nerual Network (NN) 기반 PI를 구축하는 방법을 최적의 조건에서 빠르게 실행할 수 있는 방법을 제안하였음. 제안된 Lower Upper Bound Estimation (LUBE) 추정 방법은 예측 구간 경계를 추정하기 위함이며, 대부분의 경우 PI 생성을 목적으로 사용되는 NN 구조에서는 PI 하한 및 상한에 각각 대응하는 단일 hidden layer와 두 개의 출력층으로 구성되고, 시뮬레이션을 통해 cost function 및 파라미터 최적화가 진행됨. Fig.19. 는 ref.[2]가 제안하는 PV 발전량 예측 ..

2월 말부터는 논문이랑 연구 과제 사업 관련해서 행정처리도 많고, 개강하고 연구실 일이 너무 많아서.. 내 연구를 몰입있게 못 했던 3월이었는데 어느 정도 해결되어서 3월 말부터는 다시 달려보려고 한다! - 프로그래머스 SQL 1일 1문제 풀기 및 포스팅 - 학부생 KCC2024 실험 및 논문 지도 - 대한전기학회 하계 학술대회 실험 및 논문 준비 - (제발 마지막) SCIE 연구 스터디 및 모델 구상

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..

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 의미부여않고 이번 한 해 무탈하게 노력한 만큼 이뤄낼 수 있도록 노력해야겠다 티스토리 유입이 점점 다양해지는 것 같은데 방문하시는 모두 건강하세요 ❤️

신재생 에너지 발전 중 태양광 발전 (Photovoltaic)은 셀 단위당 에너지 생산량이 증가하고 있고, 친환경적인 발전으로 많은 연구가 진행되고 있다. 정확한 단기 PV 발전량 예측은 전력 계통에서 원활한 에너지 수급과 공급을 조절할 수 있기 때문에 경제적인 측면에서도 중요하다. 이러한 PV 시스템은 일사량과 PV 발전소 특성 및 기상요인으로 인해 에너지 발전량의 차이가 나는데, 불확실성을 줄이기 위해 이전부터 고전 통계 모델 / 인공지능 모델 / 하이브리드 모델 등을 사용하여 예측 오차를 줄이려는 시도가 증가하고 있다. 다음 포스팅에서는 내가 연구하고 있는 데이터를 적용해보고, 먼저 이번 포스팅에서는 LOESS(MSTL)와 TFT를 공부해보려한다. LOESS (MSTL) * Multiple Seas..

작업형 1 유형 score 값이 null 이 아닌 행만 가져와서 이상치에 해당하는 데이터 수 구하기 StandardScaler 적용해서 몇 이상인 데이터 수 구하기 df에서 가장 큰 상관관계를 갖는 컬럼명을 찾고, 그 컬럼의 평균 구하기 작업형 2 유형 회귀모델 구축하기 (평가지표: RMSE) 간단하게 GridSearch 해서 RF 돌렸음. 데이터 전처리에서는 결측치는 없었고 컬럼 더미화만 했음 작업형 3 유형 로지스틱 회귀 모형 구축 회귀 모형 구축 제 기억에는 위 문제 유형이었고, 1, 2 유형은 쉬웠는데 3이..ㅎ t-test나 chisquare anova 가 하나도 안나오고 모형 구축이어서 아쉬웠습니다.. help 쓰면서 푸는 내가 얼마나 킹받던지요... 붙은 것 같고 다음 8회차 응시하는 분들 ..

t-test 단일표본 t-검정 from scipy.stats import ttest_1samp # 귀무가설 : 평균키는 165이다 # 대립가설 : 평균키는 165가 아니다 # 1. 정규성을 만족하는가? # 2. ttest_1samp shapiros, p = shapiro(df) print(p) # 정규성을 갖지 않음! s, p, _ = ttest_1samp(df['height'], 165) print(p) # p-value는 0.0001로 대립가설을 채택한다. #따라서 평균키는 165가 아니다. 2. 대응(쌍체) 표본 t-검정 from scipy.stats import ttest_rel # 귀무가설: 혈류량의 변화가 있다 # 대립가설 : 혈류량의 변화가 없다 # 1. 정규성을 만족하는가? shapiro ..

https://www.datamanim.com/dataset/03_dataq/typetwo.html 작업 2유형 (파이썬) — DataManim 참고 모든 문제의 y_test값은 해당 url에서 y_test로 불러와 확인가능합니다. 실제로 제출을 위해 만든 데이터의 예측 점수를 확인해보세요 www.datamanim.com 작업형 2 유형은 분류/회귀 중 랜덤으로 나오고, 모듈 자동완성이 안되기 때문에..^^ 패키지까지 싸악 외워야한다! 간단한 데이터 전처리 및 모델 구축과 평가로 간단하게 진행하면 될 것 같다. (외워) 풀어보겠습니다~! 분류 (Classification) 1. 서비스 이탈 예측 데이터 import pandas as pd from sklearn.ensemble import RandomFo..

https://www.datamanim.com/dataset/99_pandas/pandasMain.html 판다스 연습 튜토리얼 — DataManim Question 43 df의 데이터 중 new_price값이 lst에 해당하는 경우의 데이터 프레임을 구하고 그 갯수를 출력하라 lst =[1.69, 2.39, 3.39, 4.45, 9.25, 10.98, 11.75, 16.98] www.datamanim.com 위 블로그는 빅분기 시험범위가 바뀐 시험 범위를 기준으로 기출 문제를 공유해주고 있어서 보고있는 블로그다. 작업형 1유형 데이터 전처리 문제를 풀어보겠습니다~! # 1. 롤 랭킹 데이터 1. 인기동영상 제작 횟수가 많은 채널 상위 10개명 (날짜 기준, 중복 포함) top_channel = df['..

지난주 11/3(금)~11/4(토) 부산에서 열린 KDBC2023에서 MuFaSA: 다단계 태양광 발전량 예측을 위한 멀티 퓨전 딥러닝과 셀프어텐션 논문으로 딥러닝 부분에서 우수논문상 동상을 받았습니다. 😊 * MuFaSA: Multi-Fusion Deep Learning and Self-Attention)의 약어인데, 교수님께서 강렬하게 모델명을 지어주셨닼ㅋ. 사실 데이터베이스 컨소시엄이라, 키노트랑 특강이 데이터베이스 관련한 지식이었지만 재밌었다! 언어모델 증강 필요성에 대한 주제였는데, 인코더에서 처리 %^&*하면 SQL 문을 짜주는.. 그런 내용이고,, 이해는 반도 못해도 재미는 느낄수 있으니까,,ㅎ ** 그리고 이번에 발표하는데 너무 떨어서; 발표 연습을 해야겠다고 생각했고, 생각하는 힘도 길러..