jihu

# OVERVIEW 저희 시스템 아키텍처는 다음과 같습니다. 클라우드 환경에서 Jenkins를 통해 CI/CD 파이프라인을 구축하고, AWS EKS를 활용해 Kubernetes로 배포 환경을 관리하고 있습니다.   •   프론트엔드는 React로 구성되어 S3에 정적 페이지 형태로 배포되었으며, CloudFront를 통해 안전하고 빠르게 제공될 예정입니다.   •   백엔드는 Spring Boot로 구축되었고, 데이터베이스는 AWS RDS를 통해 PostgreSQL로 관리, 쿠버네티스팟   •   AI 서버는 FastAPI로 구축, 쿠버네티스팟   •  각 서버는 Nginx를 통해 서버 간의 요청을 라우팅하고 통신을 관리하여, 안정적인 트래픽과 보안을 관리할 예정입니다.모든 서비스는 AWS EKS 클러스..

40여개의 팀 중 16개 합격팀 ㄷㄷ  아자아자^^

보고서 쓰느라 힘들었는데, 고생한 보람이 있었다 뿌듯. 260팀 중 60팀에 선발 했다고 하네요~   내 고등학교 친구도 같이 붙었다고 해서 더욱 기뻤다. 팀 구성은 프론트2, 백엔드1, AI2, 디자이너 이렇게 했습니다. 어쩌다 보니, 팀장을 맡게 되어 최종 발표를 해야하는데 화이팅! 수상자 소감 발표 준비할 준비 완료   Reference

1. 앙상블 기법여러 가지 모델을 결합하여 예측 성능을 높이는 기법이다. 단일 모델에 비해서 성능이 좋기 때문에, 최근 만약 모델의 변동성을 줄이고, 과적합을 방지하기 위해서 앙상블 기법을 활용해보는 것이  좋다! 앙상블 기법의 종류: 배깅, 부스팅, 스태킹 1) 배깅(Bagging): 여러 모델을 병렬적으로 학습하고 그 결과를 병합하여 성능을 높이는 학습 기법이다.  샘플링 방식: 부트 스트래핑(Boot Strapping)원본 데이터셋에서 중복 허용하여 여러 개의 샘플을 무작위로 추출함. 각 모델들의 결과를 병합하는 방식: Aggregation, voting  2) Boosting: 모델을 순차적으로 학습시켜, 오류를 보정한다.  3) 스태킹Summary: Pros & Cons앙상블 기법 장점- 예측 ..

1. 머신러닝(1) 지도학습관련 모델: 선형회귀, 로지스틱 회귀, 의사결정 나무, K-NN 지도학습은 회귀와 분류로 나눌 수 있음회귀: 특정 값을 예측 e.g. 집값 예측단순 선형 회귀: x1과 Y의 관계를 모델링하는 함수 다중 선형 회귀: (x1, ..., xN)과 Y관계를 모델링하는 함수분류: 확률론 기반으로 클래스를 분류하는 문제 e.g. 스팸메일 분류로지스틱 회귀 cf) 선형회귀SVM, KNN선형 회귀 (2) 비지도 학습k-means, PCA, DBSCAN, 계층적 군집화 DBSCAN: 밀도 기반 군집화계층적 군집화: 계층적 구조를 탐색하는 알고리즘 (3) 강화 학습 : 에이전트에게 주어진 환경에서 보상을 최대화하는 행동(Policy)를 학습하는 방법 특장점순차적 의사결정 문제 해결: 시퀀스 기반..