코딩의 윤슬

CPU -> GPU 변경  cpu로 하면 느리기에 gpu로 설정을 바꿔줘다   사진 생성 AI 불러오기       Stable Diffusion이라는 AI 모델을 사용해서 텍스트를 그림으로 변환하는 방법을 보여주고 있다.모델 가져오기diffusers라는 라이브러리를 사용해서 Stable Diffusion 모델을 가져온다.torch라는 도구도 함께 사용해서 컴퓨터가 이 모델을 실행할 수 있도록 한다.모델 다운로드DiffusionPipeline.from_pretrained("runwayml/stable-diffusion-v1-5")를 실행하면 Stable Diffusion 모델이 다운로드된다.컴퓨터가 GPU를 사용할 수 있도록 설정pipe.to("cuda") if torch.cuda.is_available(..

Object Detection 이미지 피케이션 티쳐블머신과 비슷한거 오늘은 오브젝트 디케이션 파이프라인의 장점는 이미학습된 좋은 모델을 가져와서 예측에 바로 사용할 수 있다, 어떤 인공지능이 이미 만들어져있으면 단 두줄만 쓰면 인공지능을 활용할 수 있다. from transformers import pipelinemodel=pipeline('object-detection')   좌표 (x, y)를 사용해 물체의 위치를 표시한다.객체 탐지는 학습된 모델을 이용해 이미지에서 탐지된 결과를 도출하는 과정이다.그렇다면, 이를 사람이 이해하기 쉬운 코드로 작성해 보겠다.    for문을 사용해 객체 탐지 결과를 박스로 표시한 후, 박스를 생성하고 추가해준다.이 코드는 객체 탐지 결과를 이미지 위에 시각적으로 나타..

https://huggingface.co/ Hugging Face – The AI community building the future.The Home of Machine Learning Create, discover and collaborate on ML better. We provide paid Compute and Enterprise solutions. We are building the foundation of ML tooling with the community.huggingface.co  깡통 인공지능을 활용하는 경우, 티쳐블 머신(Teachable Machine)은 이미 수천억 장의 데이터를 학습한 모델을 기반으로 특정한 분류 작업을 수행하도록 튜닝하는 방식이다. 즉, 미리 학습된 모델이 특..

User-Based Collaborative Filtering  User-Based Collaborative Filtering은 사용자의 과거 평가나 행동을 기반으로 유사한 취향을 가진 다른 사용자를 찾아 추천하는 방식이다. 특정 사용자의 취향과 비슷한 사용자 그룹을 형성한 후,해당 그룹이 높게 평가한 아이템을 추천하는 방식으로 동작한다.   corr은 컬럼과 컬럼 간의 관계를 나타낸다. 영화별 상관계수를 구하기 위해서는 피벗 테이블을 생성해야 한다.이때, 영화 이름을 컬럼으로, 유저 아이디를 인덱스로, 별점 평균을 값으로 설정한다.     타이타닉 영화에 대해 유저가 준 점수를 확인한 후, 타이타닉 영화와 관계가 높은 영화를 찾아보겠다.  어떻게 찾을까? 상관계수를 이용하면 된다. 위 사진처럼 상관계수..

https://www.kaggle.com/datasets/alexandredj/rock-paper-scissors-dataset Rock-Paper-Scissors-DatasetMy dataset contribution to Rock-Paper-Scissors CNN training algorithms.www.kaggle.com    다운받은 모델을 파일을 만들어 넣어준다     알아보기 쉽고 나중에 수정하기도 쉽게 파일을 나눠준뒤 각각의 파일을 임폴트 시켜준다  run_game은 Streamlit을 활용하여 "가위바위보 몬스터 배틀" 게임을 실행하는 프로그램이다. 티쳐블 머신이 알려준 아래의 코드를 응용하였다.  승리 기록 관리win_records.csv 파일을 사용해 승리 기록을 저장하며, 파일이 없..

리눅스 서버에서 파이썬을 사용할 수 있는 클라우드 서비스 중 하나로 Google Colab이 있다.Google Colab은 웹 기반의 Jupyter Notebook 환경을 제공하며, 추가적인 설정 없이도 리눅스 기반의 파이썬 실행이 가능하다.또한, GPU 및 TPU 지원을 통해 머신러닝 및 데이터 분석 작업을 효율적으로 수행할 수 있다.  https://colab.google/ colab.googleColab is a hosted Jupyter Notebook service that requires no setup to use and provides free access to computing resources, including GPUs and TPUs. Colab is especially well s..

드랍해서 사용했지만 이제는 평균을 내서 채우는 것을 할 것이다.#컬럼이름을 분리해서 저장    수치형 데이터 NaN을 각 컬럼의 평균값으로 채운다카테고리컬 데이터는 레이블인코딩 원핫 인코딩한다     sklearn 의 pipeline 라이브러릴 사용할 것이니까Nan을 채운 것은 fillna 함수대신 SimpleImputer 기본은 평균으로 채워라 이게 디폴트 값이다 이제 이곳에 섬을 넣는 식으로 하면된다   파이프라인을 쓸떄는 오디널 인코더를 쓴다   우리가 갖고 있는 컬럼을 한번에 처리 할 수 있다  뭐하고 뭐하고 뭐하고 하는 스텝 여러개니깐 리스트 튜플로 하고 이름을 먼저 지어준다 그리고 우리가 프로세싱을 실제로 해준(전처리해준)걸 넣어 준다 그리고 또 퓨플로 모델링 이름 넣어 주고 모델링한건 리그레..

CSV 파일을 업로드하면, 업로드한 데이터를 데이터프레임으로 변환하여 불러온다.이후 KMeans 클러스터링을 수행하기 위해 X로 사용할 컬럼을 선택할 수 있도록 설정한다.적절한 K값을 찾기 위해 WCSS(Within-Cluster Sum of Squares) 값을 계산하고, 엘보우 메소드 그래프를 제공한다.사용자가 K 값을 선택하면 해당 값으로 **데이터를 클러스터링(비슷한 그룹으로 분류)**하여 결과를 시각적으로 확인할 수 있도록 한다.이 모든 과정을 하나의 웹 앱 형태로 구현할 예정이다.               https://kmeans-app-jzor2as7qbtjzbntn6qmzq.streamlit.app/ appThis app was built in Streamlit! Check it out ..

에포크(epoch)는 전체 데이터를 한 번 학습하는 과정이며, 한 번의 에포크는 데이터셋 전체를 모델이 학습하는 것을 의미한다. 배치 크기(batch size)는 한 번에 학습하는 데이터 샘플의 개수를 의미하며, 크기가 클수록 학습 속도가 빨라질 수 있지만 메모리 사용량이 증가한다. 에포크 수가 너무 많으면 모델이 훈련 데이터에만 최적화되어 새로운 데이터를 잘 예측하지 못하는 **과적합(overfitting)**이 발생할 수 있다. 이는 마치 무당이 과거만 잘 맞히고 미래는 예측하지 못하는 상황과 비슷하다. 따라서 적절한 에포크 수를 설정하는 것이 중요하다.   둘다 많이 쓰기에 아무거나 해도 된다 그후 모델 다운로드를 누르면된다. 아래 코드를 참고해서 만들면 된다.     캐글은 없어서 그런거다 터미널..

Streamlit 앱 실행 중 requirements.txt에 지정된 패키지 설치 오류가 발생했다면 다음 방법을 시도한다.오류 메시지 확인: Streamlit Cloud에서 Manage App을 클릭해 로그를 확인한다.로컬 환경 테스트: 가상 환경을 만들고 pip install -r requirements.txt를 실행해본다.패키지 버전 확인: requirements.txt에서 오래되거나 충돌하는 패키지를 수정한다.시스템 종속성 해결: 필요한 라이브러리를 설치한다. (예: sudo apt-get install libgl1-mesa-glx)캐시 정리 후 재설치: pip cache purge 실행 후 다시 pip install -r requirements.txt를 실행한다.앱 재배포: requirements..