기본 콘텐츠로 건너뛰기

아시아경제 데이터사이언스2020

이 블로그 검색

(테스트)

날짜: 1월 30, 2020

공유 링크 만들기
Facebook
Twitter
Pinterest
이메일
기타 앱

雨の夜に一人で仕事をして、休憩しましょう。, ピアノコレクション、のピアノメドレー、吉卜力鋼琴音樂集

공유 링크 만들기
Facebook
Twitter
Pinterest
이메일
기타 앱

댓글

댓글 쓰기

가장 많이 본 글

(예고) 2020.02.20~21 "2일만에 내 생애 첫 클라우드 서버 만들기"

(예고) 2020.02.20~21 "2일만에 내 생애 첫 클라우드 서버 만들기" 1. 강의개요 구름처럼 손에 잡힐듯 하지만 너무 어려워 처다만 보는 "클라우드(?) 서비스"를 직접 만들어 보는 강의입니다. 여러분이 배운 파이썬을 이용해서 여러 분의 "클라우드 서버"를 한번 만들어 보세요" 2. 강의 기대효과 1) USB, 이메일에 분석할 데이터을 두고 다닐 필요가 없습니다. 2) 작업결과를 실시간으로 팀원과 공유할 수 있습니다. 3) 분석을 위해 보다 고급의 컴퓨터를 싼 가격에 이용할 수 있습니다. 4) 안정적으로 자동화된 서비스 환경을 만들 수 있습니다. (정전, 바이러스 등) 3 교육과정 (2일차) 1 일차 - AWS 란 ? - AWS 인스턴스 생성 및 SSH 연결 - 인스턴스에 파이썬 설치 - 주피터 노트북 설치 및 환경 연결 2일차 - 데이터베이스 설치 (PostgreSQL) - PostgreSQL 기본 문법 - REST API - API 서버 생성 - 파이썬과 DB 연동 4. 강사 소개

2019.01.30(목)#4 프로젝트 진행을 위한 데이터 소스(1/2)

2019.01.30(목) #4 프로젝트 진행을 위한 데이터 소스(1/2) 주가지수 데이터 2018년 코스피 https://drive.google.com/open?id=13DJqFlP5rkCoKCR3a5hzZw8ZVLqeSr8L 2017년 코스피 https://drive.google.com/open?id=1i7-yEfbs-qYZAD7fF5qQUyg0GujkycPN 2016년 코스피 https://drive.google.com/open?id=1dE6YT_9YqAXKlyezdVSaZ_JpIubESg70 암호화폐 데이터 https://drive.google.com/open?id=1aOXoIMflwgCA9M4sf3qcQdMSHfRSUUB_ https://drive.google.com/open?id=1IRRX3iq-BSgehf8y3NXUewCBbp-pAKBE 기업데이터 소스 KISVALUE (한국신용평가 데이터 사용법) #1 https://www.kisvalue.com/web/index.jsp 에 들어가서 kisvalue download 클릭 #2 파일 다운로드 받을 주소 입력 #3 메일 확인 후 파일 설치 #4 바탕화면에서 kisvalue 실행 id. 메일은 아래처럼 입력 / 암호는 화이트보드에... 프로젝트1-2을 위한 데이터소스 주가지수 및 선물지수 http://marketdata.krx.co.kr/mdi#document=13010101

2020.02.12. R로하는 A.I 분석(4) (퀘스트- 신용카드 이상거래 탐지 해설)

-Means 모델을 이용해서 이상거래 여부를 탐지했습니다. 충격적인 결과죠! 동전던지기 수준... 변수가 총 30개였구요. 시각화를 위해 Amount와 Time을 축으로 실제 k-means 클러스터링으로 분류한 1, 2 두개 집단을 시각화해봤습니다. Clustering은 아마도 time 변수가 주요 기준이 된 것 같습니다. 만약에 이것을 클라이언트에게 제출한다면.... 이 놀라운 결과를 낸 허접한 코드는 아래와 같습니다. library(readr) cd<- read_csv("creditcard.csv/creditcard.csv") library(caret) set.seed(1712) inTrain <- createDataPartition(y = cd$Class, p = 0.7, list =F) training <- cd[inTrain,] testing <- cd[-inTrain,] training training.data <- scale(training[-5]) summary(training.data) cd.kmeans <- kmeans(training.data[,-30], centers = 2, iter.max = 10000) cd.kmeans$centers training$cluster <- as.factor(cd.kmeans$cluster) qplot(Amount, Time, colour = cluster, data = training) table(training$Class, training$cluster) #채점표 aa<-table(training$Class, training$cluster) accuracy1<-aa[1,1]/(aa[1,1]+aa[1,2]) # 이상이없는거래를 진짜로 이상이 없는거래로 판정 accuracy2<-aa[2,2]/(aa[2,1]+aa[2,2]) # 이상거래를 진짜로 이

Powered by Blogger