문자형 데이터를 한글자씩 메모리 공간에 저장하는 시퀀스 자료형 리스트같이 슬라이싱, 인덱싱, 반복문 iteration 등이 가능 컴퓨터는 모든 데이터를 2진수로 저장하므로 문자를 2진수로 변환하는 표준규칙들이 존재함(utf-8,아스키코드 등) 1. 알면 좋을 법한 method rstrip(), lstrip(), strip() 오른쪽 ,왼쪽, 좌우 공백 제거 title() 띄어쓰기로 구분된 각 단어 첫글자를 대문자로 만들어서 반환 isdigit(), isalpha() 숫자로 이루어진것인지? 문자로 이루어진것인지? ------------------------------------------------------------------------------------------------------..
1. call by value 함수에 인자 값을 전달해도 호출자에게 영향을 주지 않음 a=5로 f(x)에서 x인자에 5를 전달을 하면 함수 내에서 x=5인데 x=7 수행문에 의해 변경시켜도 함수 밖 a 변수가 가지는 값은 여전히 5 2. call by reference 함수 내 인자 값 변경시 호출자 값에도 영향을 줌 값을 주면서 메모리 주소를 넘겨주는 형태 a=5로 함수 f의 x에 넘길 때 메모리 주소도 같이 넘겨서 함수 내부에서 x=7로 변경시키면 함수 밖 a값도 7로 바뀜 3. call by object reference 파이썬의 방식 call by value와 call by reference를 혼합해서 사용 객체의 주소가 함수로 전달되는 방식 전달된 객체를 참조하여 변경..
1. 상속 이미 만들어진 class의 특징을 모두 이어받은 상태에서, 새로운 기능을 추가한다 비슷한 기능을 가진 다른 객체를 만들어야하는데, 조금 다르다는 이유로 완전히 새로 만들어 쓴다면 좋지 않다 이미 만든 코드와 비슷한 코드를 또 만들 필요 없이 가능한 재활용하면서 쉽게 기능을 바꾸거나 추가 할 수 있는 것 코드의 재활용 코드의 재사용성 최근 개발 패러다임은 상속이 그렇게 가치있다고 보지는 않는다.. 그런가? 이전에 만든 Character class는 이름, 체력의 속성과 Hit, Heal, isAlive, Eat 의 method를 가진다 using System.Collections;using System.Collections.Generic;using UnityEngine;public class C..
1. precision과 recall의 문제점 정답문장에 대해 2개의 모델로 예측문장을 얻었다고 해보자. 두번째 모델로 만든 문장의 경우 모든 단어가 정답문장 단어와 매칭이 되는데 순서가 전혀 맞지 않는다는 것이 문제다. 그럼에도 불구하고 precision과 recall은 100% 때로는 언어에서 순서는 매우 중요한데 단어만 맞췄다고 완벽한 번역이라고 볼수있을까? precision과 recall, f-measure는 계산방식으로부터 알 수 있겠지만 오직 부합하는 단어의 수에만 집중하기 때문에 순서정보를 전혀 반영하지 않는다는 것이 문제다. 2. introduction bleu score는 순서를 반영하지 않는다는 precision과 recall의 문제점을 개..
1. class 만들기 scripts에 character.cs c# 스크립트를 만든다 project 창에서 우클릭 - create - c# script하면 만들 수 있다 character.cs 더블클릭해서 visual studio를 연다 Character이름 옆에 MonoBehaviour 제거하고 void start, void update 모두 제거해서 class 틀만 남긴다 using System.Collections; using System.Collections.Generic; using UnityEngine; public class Character { } 클래스 이름, 함수 이름은 대문자로 시작하고 변수 이름은 소문자로 시작하는 것을 관습으로 하고 있다 캐릭터의 이름과 체력을 속성으로 가지고, 맞..
1. precision and recall translation 후에 생성된 문장이 정확한지 평가할 필요가 있다. 기본적으로 단어를 생성하는 방법은 target 각 단어별 실제 정답과의 softmax loss가 최소화되게 만든다. test data에 대해서도 예측된 단어와 정답인 단어의 softmax loss로 분류 정확도를 계산한다. 이런 논리에 기반하여 정답문장과 예측문장사이 각 단어별 matching count로 정확도를 평가하는 방법을 생각할 수 있다. I love you라는 정답문장을 출력해야하는데 oh I love you를 출력했다고한다면 각 matching count=0이니까 정확도는 0%이다. 그런데 크게 떨어지는 번역품질이라고 보기 어렵다 나쁘지 않은 번역.. 그러니까 0%라고 보기 어렵..
딥러닝/머신러닝, 통계학, IT프로그래밍, 알고리즘을 좋아하는 사람 https://github.com/yundaehyuck
