개요 Plotly 그래프의 기본 생태계를 익히도록 한다. Plotly 그래프를 작성하도록 한다. 라이브러리 불러오기 본 코드는 모두 Local 가상환경을 설치한 후, Jupyter Lab에서 작성했다. 해당 설치 과정은 본 블로그에서는 생략한다. 참조 : https://dojang.io/mod/page/view.php?id=2470 현재 plotly 버전은 다음과 같다. import plotly print(plotly.__version__) 5.1.0 로컬 환경에서 Jupyter notebook에서 plotly 그래프가 간혹 나타나지 않는 경우가 있다. 그런 경우, 아래와 같이 추가로 설치를 진행한다. jupyter labextension install jupyterlab-plotly 설치가 완료되었다면, 아래와 같은 코드를 추가로 실행한다. import plotly plotly.
개요 Flask 웹개발을 통해 간단한 Resume를 작성해본다. 가상환경 프로젝트 폴더에 가상환경을 설치한다. virtualenv venv created virtual environment CPython3.9.12.final.0-64 in 5343ms creator CPython3Windows(dest=C:\Users\human\Desktop\flask-resume-evan-examples\venv, clear=False, no_vcs_ignore=False, global=False) seeder FromAppData(download=False, pip=bundle, setuptools=bundle, wheel=bundle, via=copy, app_data_dir=C:\Users\human\AppData\Local\pypa\virtualenv) added seed packages: pip==22.2.2, setuptools==63.2.0, wheel==0.37.1 activators BashActivator,BatchActivator,FishActivator,NushellActivator,PowerShellActivator,PythonActivator 라이브러리 설치 가상환경에 접속 후, Flask 라이브러리를 설치한다. pip install Flask [app.py](http://app.py) 에 다음과 같이 작성한다. from flask import Flask, render_template app = Flask(__name__) @app.route('/') def index(): first_name = 'Evan' return render_template('index.
강의 홍보 취준생을 위한 강의를 제작하였습니다. 본 블로그를 통해서 강의를 수강하신 분은 게시글 제목과 링크를 수강하여 인프런 메시지를 통해 보내주시기를 바랍니다. 스타벅스 아이스 아메리카노를 선물로 보내드리겠습니다. [비전공자 대환영] 제로베이스도 쉽게 입문하는 파이썬 데이터 분석 - 캐글입문기 개요 기존 Flask-Dash-Heroku 연동 예제를 업그레이드 한다. Flask Factory Application의 기본 개념 및 Blueprint의 기본 개념을 이해한다. Dash App을 Flask Factory Application에 맞추어 가공 한다. 리뷰 기존 필자가 작성해두었던 Flask-Dash-Heroku App을 리뷰한다. 참조 : Flask-Dash-Heroku 연동 참조 : Dash App Using Flask Factory Pattern and Blueprint - 1 미리보기 다음과 같이 메뉴가 있도록 코드를 작성할 예정이다.
강의 홍보 취준생을 위한 강의를 제작하였습니다. 본 블로그를 통해서 강의를 수강하신 분은 게시글 제목과 링크를 수강하여 인프런 메시지를 통해 보내주시기를 바랍니다. 스타벅스 아이스 아메리카노를 선물로 보내드리겠습니다. [비전공자 대환영] 제로베이스도 쉽게 입문하는 파이썬 데이터 분석 - 캐글입문기 개요 기존 Flask-Dash-Heroku 연동 예제를 업그레이드 한다. Flask Factory Application의 기본 개념 및 Blueprint의 기본 개념을 이해한다. 리뷰 기존 필자가 작성해두었던 Flask-Dash-Heroku App을 리뷰한다. 참조 : Flask-Dash-Heroku 연동 미리보기 다음과 같이 메뉴가 있도록 코드를 작성할 예정이다.
개요 Flask 및 Dash를 활용하여 간단한 대시보드를 생성할 수 있다. 기존 구현한 대시보드를 Heroku에 배포할 수 있다. 사전준비 파이썬 가상환경 설치 및 기존 라이브러리에 대한 이해가 어느정도 있음을 가정한 상태에서 본 블로그를 작성했음을 유의한다. Heroku 회원가입 및 로그인이 되어 있어야 한다. Step 1. Github Repo생성 Github Repo 생성 시, 중복되지 않을 법한 이름으로 생성 필자 Repo : flask-heroku-dash-evan1234 해당 Repo를 로컬로 가져온다. git clone https://github.com/your_name/your_unique_repo.git Step 2. 가상환경 설치 및 주요 라이브러리 설치 먼저 가상환경을 설치한다.
강의 홍보 취준생을 위한 강의를 제작하였습니다. 본 블로그를 통해서 강의를 수강하신 분은 게시글 제목과 링크를 수강하여 인프런 메시지를 통해 보내주시기를 바랍니다. 스타벅스 아이스 아메리카노를 선물로 보내드리겠습니다. [비전공자 대환영] 제로베이스도 쉽게 입문하는 파이썬 데이터 분석 - 캐글입문기 개요 Flask 기본적인 작동 원리를 배운다. Postgres와 SQLAlchemy를 활용한다. Heroku에 배포를 진행한다. 사전준비 Github에 각 개인에게 맞는 Github Repo를 생성한다. 주의 : 반드시 Unique하게 작성해야 한다. 가상환경 설정을 진행한다. PostgreSQL DB 설정은 다음을 참조한다. Postgre SQL Installation on Windows 10 virtualenv venv 주요 라이브러리를 설치한다.
강의 홍보 취준생을 위한 강의를 제작하였습니다. 본 블로그를 통해서 강의를 수강하신 분은 게시글 제목과 링크를 수강하여 인프런 메시지를 통해 보내주시기를 바랍니다. 스타벅스 아이스 아메리카노를 선물로 보내드리겠습니다. [비전공자 대환영] 제로베이스도 쉽게 입문하는 파이썬 데이터 분석 - 캐글입문기 개요 scikit-learn 모델을 JAVA에서 구동 시켜야 한다. 크게 3가지 방법론이 존재한다.(원문 참조 : Moving from Python to Java to deploy your machine learning model to production embed : Java 코드 내에서 직접 Python 코드 구현 방법.
개요 Scikit-Learn 모델을 만든 후, MLFlow로 모델을 배포한다. 머신러닝 코드에 대한 설명은 생략한다. 가상환경 설정에 관한 내용도 생략한다. 라이브러리 불러오기 기존 코드에서 mlflow 라이브러리만 추가한다. %matplotlib inline import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt import sklearn import seaborn as sns import mlflow import mlflow.sklearn from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split, KFold from sklearn.preprocessing import StandardScaler from sklearn.metrics import roc_auc_score, plot_roc_curve, confusion_matrix print(f"numpy version {np.
강의 홍보 취준생을 위한 강의를 제작하였습니다. 본 블로그를 통해서 강의를 수강하신 분은 게시글 제목과 링크를 수강하여 인프런 메시지를 통해 보내주시기를 바랍니다. 스타벅스 아이스 아메리카노를 선물로 보내드리겠습니다. [비전공자 대환영] 제로베이스도 쉽게 입문하는 파이썬 데이터 분석 - 캐글입문기 개요 수강생들의 머신러닝을 활용한 웹 개발 프로젝트 전 복습 차원에서 준비함. 주 내용은 주요 참고자료를 기반으로 작성하였으며, 참고자료에 없는 코드는 직접 작성하였음을 밝힘. 가장 인기 있는 모델 XGBoost와 LightGBM 그 외, 선형회귀, 로지스틱 회귀, 결정 트리, 앙상블 학습, 랜덤 포레스트, XGBoost, LightGBM 선형 회귀 선형 회귀식을 활용한 모델 회귀 계수와 절편을 찾는 것이 중요 기초통계에서 다루는 선형 회귀와 기본적인 개념에서는 동일하나, 기초통계에서와 예측 모델에서의 쓰임새는 다르다는 것을 기억한다.
개요 Python Django와 Sklearn을 활용하여 간단한 iris prediction 웹을 만들어본다. 사전준비 머신러닝 기본 이론 및 원리는 어느정도 알고 있다고 가정한다. Django 앱에 대해 어느정도 알고 있다고 가정한다. 무엇을 배우는가? 머신러닝 모델을 활용하여 배포하는 과정을 배운다. 가상환경 설정 가상환경을 생성한다. $ virtualenv venv created virtual environment CPython3.9.1.final.0-64 in 475ms creator CPython3Posix(dest=/Users/evan/Desktop/django-iris-tutorial/venv, clear=False, no_vcs_ignore=False, global=False) seeder FromAppData(download=False, pip=bundle, setuptools=bundle, wheel=bundle, via=copy, app_data_dir=/Users/evan/Library/Application Support/virtualenv) added seed packages: pip==22.1.1, setuptools==62.3.2, wheel==0.37.1 activators BashActivator,CShellActivator,FishActivator,NushellActivator,PowerShellActivator,PythonActivator 만들어진 가상환경에 접속한다.