Data Vision

Google Cloud Console에서 credentials.json 파일을 얻는 방법을 단계별로 설명해드리겠습니다:Google Cloud Console 접속Google Cloud Console에 접속합니다.Google 계정으로 로그인합니다. 프로젝트 생성상단의 프로젝트 선택 드롭다운 메뉴를 클릭합니다."새 프로젝트" 버튼을 클릭합니다.프로젝트 이름을 입력합니다 (예: "agent01-drive-api")."만들기" 버튼을 클릭합니다. Google Drive API 활성화왼쪽 메뉴에서 "API 및 서비스" > "라이브러리"를 선택합니다.검색창에 "Google Drive API"를 입력합니다.Google Drive API를 선택합니다."사용 설정" 버튼을 클릭합니다. OAuth 2.0 클라이언트 ID 생..

uv를 이용한 파이썬 가상환경 관리파이썬 개발 환경을 관리하는 데 있어 uv는 최근 주목받고 있는 도구입니다. uv는 빠르고 효율적인 파이썬 버전 관리와 가상환경 생성을 지원하며, 기존의 pip, venv, poetry 등의 도구를 대체할 수 있는 기능을 제공합니다. 이 글에서는 uv를 사용하여 파이썬 가상환경을 생성하고 관리하는 방법에 대해 설명합니다.uv란 무엇인가?uv는 Rust로 작성된 빠른 Python 패키지 및 프로젝트 관리자입니다. uv는 기존의 도구들보다 더 빠른 성능과 간편한 사용법을 제공하여 개발자들이 프로젝트 관리에 소요되는 시간을 줄일 수 있도록 돕습니다. 각 컴퓨터에 uv를 설치하는 방법을 알려드리겠습니다. 운영 체제별로 설치 방법이 다릅니다:Windows: textpowershe..

머신러닝 모델을 학습시켰을 때, 학습 데이터에서는 성능이 매우 좋은데 실제 데이터에서는 성능이 안좋습니다. 이때 어떻게 해야 합니까? 심플대답 학습 데이터 성능은 좋은데 실제 데이터에서는 성능이 떨어지는 경우, 보통 오버피팅을 의심합니다.저는 에포크 수가 너무 많으면 과적합될 수 있으므로, 검증 데이터의 성능을 기준으로 Early Stopping을 적용해 에포크 수를 조절합니다.그리고 정규화나 모델 단순화 같은 기법도 함께 고려합니다조금 자세히  이런 경우는 모델이 학습 데이터에는 과도하게 잘 맞지만, 실제 데이터에서는 일반화가 안 되는 오버피팅 상황이라고 판단합니다.저는 먼저 검증 데이터(validation set)에서의 성능 변화를 관찰하면서 학습 과정을 모니터링합니다.특히, 에포크(epoch) 수가..

"머신러닝 모델 학습 후 성능 평가를 어떻게 하셨나요??"1. 분류 문제(Classification)의 경우에는 정확도(Accuracy) 외에도 데이터의 특성에 따라 다양한 지표를 사용했습니다.예를 들어, 클래스 불균형 문제가 있을 때는 정밀도(Precision), 재현율(Recall), F1-score, ROC-AUC 같은 지표를 확인했습니다.이전 프로젝트에서 스팸 메일 분류 모델을 만들었을 때, 단순 정확도가 높지만 재현율이 낮아서 실제로는 스팸을 잘 잡지 못하는 이슈가 있었어요. 그래서 재현율 중심으로 모델을 튜닝하거나 Threshold를 조정하는 등의 작업을 했습니다.  2. 회귀 문제(Regression)에서는 주로 MSE(Mean Squared Error), RMSE, MAE(Mean Abso..