달력

11

« 2019/11 »

  •  
  •  
  •  
  •  
  •  
  • 1
  • 2
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30


 

 

효율적인 프로토타입 테스트를 위한 고려 사항

 

구분

설명

최소한의 변수로 테스트

·         제어할 있을 정도의 변수를 이용하여 테스트를 진행해야 합니다.

·         많은 변수를 설정하여 테스트 경우 사용자의 혼란을 일으킬 있습니다.

현실적인 요소는 신경 쓰지 않기

·         테스트에 해당하는 변수만 신경을 씁니다.

·         프로토타입 테스트의 목적은 특정한 부분에 대한 유저의 반응 가치 인식 확인하는 것입니다.

테스트 부분만 동작

·         테스트의 핵심요소외 요소는 모두 제거합니다.

유저의 피드백과 행동 패턴도 관찰

·         테스트를 통해 사용자의 행동 패턴(화면 이동 패턴) 파악이 가능합니다.

 

 


Posted by codedragon codedragon

댓글을 달아 주세요


 

릴리즈 노트 작성 항목

 

 

CASE 1

항목

내용

프로젝트명 / 앱명

해당되는 프로젝트명 또는 앱명

수정된 버전

수정된 버전의 버전

작성자

릴리즈 노트 작성자

우선순위

해당 변경점의 우선순위

최초 재현 버전

이슈가 발생한 최초 버전

변경 사유

변경점 발생의 사유

변경 내용

변경점의 내용

변경 확인 방법

변경점을 확인하는 방법

 

 

 

CASE 2

작성항목

Header

문서 이름(릴리스 노트 이름), 제품 이름, 버전 번호, 릴리즈 날짜, 참고 날짜, 노트 버전

개요

제품 변경에 대한 간략한 전반적 개요

목적

릴리스 버전의 새로운 기능목록과 릴리스 노트의 목적에 대한 간략한 개요. 버그 수정 새로운 기능 기술.

이슈 요약

버그의 간단한 설명 또는 릴리즈 추가 항목 요약

재현 항목

버그 발견에 따른 재현 단계 기술

수정/개선 내용

수정 / 개선의 간단한 설명 기술

사용자 영향도

버전 변경에 따른 최종 사용자 기준의 기능 응용 프로그램 상의 영향도 기술

SW 지원 영향도

버전 변경에 따른 SW 지원 프로세스 영향도 기술

노트

SW HW Install 항목, 제품, 문서를 포함한 업그레이드 항목 메모

면책 조항

회사 표준 제품과 관련된 메시지.

프리웨어, 불법 복제 방지, 중복 참조에 대한 고지 사항

연락 정보

사용자 지원 문의 관련한 연락처 정보

 

 

Posted by codedragon codedragon

댓글을 달아 주세요


 

 

 

인터뷰(Interview)

·         질문을 하고 답변을 받는 대화기법으로 특정한 목표를 가지고 특정인과 대화하는 것을 말합니다.

·         고객, 사용자, 도메인 전문가로부터 요구정보 효과적으로 수집합니다.

·         많은 정보 획득을 위한 계획 중요합니다.

·         가능하면 많은 관련자들과 인터뷰 관련자외 사람들도 인터뷰하는 것도 고려해야 합니다.

·          뉴스의 취재에서도 많이 사용되며 면접(面接), 면담(面談)이라고도 한다.

 

http://bit.ly/2L0hr4u

http://bit.ly/2vPYJEV

https://en.wikipedia.org/wiki/Interview


 http://bit.ly/2GrkFrT

 

 

 

 

 

 

 

인터뷰 준비 절차

인터뷰는 절차에 의하여 준비하여야 효과적입니다.

단계

설명

1

대상자 선정

2

일정 계획

3

질문 작성

4

인터뷰 수행

5

분석 정리

 

 



Posted by codedragon codedragon

댓글을 달아 주세요


 

 


IRIS.ARFF 데이터

웨카(WEKA) 설치 시 데이터 디렉토리에 설치되어 있는 아이리스 데이터셋입니다.

 

 

 

 

 

 

IRIS.ARFF 데이터   파일

C:\Program Files\Weka-3-8\data\iris.arff


 

 

 

 

 

 

IRIS.ARFF 데이터 셋의 헤더 부분 정보


 

속성

설명

Sepal Length

꽃받침의 길이에 대한 정보입니다.

Sepal Width

꽃받침의 너비에 대한 정보입니다.

Petal Length

꽃잎의 길이 정보입니다.

Petal Width

꽃잎의 너비에 대한 정보입니다.

Class

꽃의 종류 정보인데 Setosa / Versicolor / Virginica 3종류로 구분되며 이는 곧 같은 세가지 종류의 붓꽃으로 분류된 데이터 결과를 보여주는 것입니다.

 

 

@RELATION

@RELATION "이름"

·       데이터 셋은 @RELATION으로 선언합니다.

·       문자열로 데이터 셋의 이름을 명시하는데 이는 'iris' 정의되어 있습니다.

@attribute

@attribute [attribute-name] [datatype]

·       속성은 @attribute 선언하여 속성이름을 나타내는 문자열, 데이터 유형을 지정합니다.

·       REAL은 실수형 속성으로 정의하고, 속성 class Iris-setosa, Iris-versicolor, Iris-viginica 라는 3개의 값을 가지는 속성으로 정의되어 있습니다.

 

@RELATION iris

 

@ATTRIBUTE sepallength        REAL

@ATTRIBUTE sepalwidth         REAL

@ATTRIBUTE petallength         REAL

@ATTRIBUTE petalwidth        REAL

@ATTRIBUTE class         {Iris-setosa,Iris-versicolor,Iris-virginica}

 

 

 

 

 

 

IRIS.ARFF 데이터 셋의 본문 부분 정보

·       본문 부분은 @DATA로 시작합니다.

·       각 라인은 데이터의 행을 나타내는 레코드를 의미합니다.

·       데이터 속성의 값들은 헤더에  정의된 속성 정의 순서를 따르게 됩니다.

 

@DATA

5.1,3.5,1.4,0.2,Iris-setosa

4.9,3.0,1.4,0.2,Iris-setosa

4.7,3.2,1.3,0.2,Iris-setosa

4.6,3.1,1.5,0.2,Iris-setosa

5.0,3.6,1.4,0.2,Iris-setosa

5.4,3.9,1.7,0.4,Iris-setosa

4.6,3.4,1.4,0.3,Iris-setosa

5.0,3.4,1.5,0.2,Iris-setosa

4.4,2.9,1.4,0.2,Iris-setosa

4.9,3.1,1.5,0.1,Iris-setosa

5.4,3.7,1.5,0.2,Iris-setosa

 

 


Posted by codedragon codedragon

댓글을 달아 주세요


 

 

 

클래스 정의

·         "class 클래스명" 사용하여 정의합니다.

·         데이터와 데이터를 변형하는 함수를 같은 공간에 작성하게 됩니다.

·         클래스 내부에 선언된 변수와 메서드는 모두 현재 객체의 attribute(속성) 이라고 합니다.

·         다른 OOP 언어와 달리 파이썬은 Dynamic Language로서 새로운 attribute 동적으로 추가 있고, 메서드도 일종의 메서드 객체 취급하여 attribute 포함하고 있습니다.

 

 

 

class 클래스명: #헤더(Header)

 #몸체(Body)

    멤버변수

    def 멤버메소드명(인자):

        메소드 내용

 

 

 

 

 

 

클래스 생성

클래스 멤버를 정의하지 않은 가장 간단한 클래스

class MyClass:

    pass

 

 

 

 

 


'Development > Python' 카테고리의 다른 글

클래스 정의  (0) 08:00:22
dtype  (0) 2019.11.15
AttributeError: module 'xxx' has no attribute 'xxx'  (0) 2019.11.14
2002년 한일월드컵 기간의 기온 공공데이터 가져오기  (0) 2019.11.14
행/열 합계 - sum()  (0) 2019.11.13
교환 법칙과 분배 법칙  (0) 2019.11.12
Posted by codedragon codedragon

댓글을 달아 주세요

 


 

랜덤포레스트(Random forest)

·         분산이 의사결정나무의 단점을 통계적 기법으로 극복한 방법입니다.

·         여러 개의 의사결정 나무를 만들고, 각각의 나무에, 부트스트랩을 이용해 생성한 데이터셋으로 모델을 구성합니다. 편향을 증가시킴으로써, 분산이 의사결정나무의 단점을 완화시킵니다.

·         배깅에 랜덤 과정을 추가 방법입니다. (bagging + random)

·         배깅(bagging) 개념과 feature(또는 변수) 임의 선택(Random selection) 결합한 앙상블 기법(ensemble)입니다.

·         자료로부터 부트스트랩 샘플을 추출하고, 부트스트랩 샘플에 대해 트리를 형성해 나가는 과정은 배깅과 유사하나, 노드마다 모든 예측변수안에서 최적의 분할(split) 선택하는 방법 대신 예측변수들을 임의로 추출하고, 추출된 변수 내에서 최적의 분할을 만들어 나가는 방법을 사용합니다.

 

http://bit.ly/2nLKIVt

https://en.wikipedia.org/wiki/Random_forest

 

 

 


'Development > Big Data, R, ...' 카테고리의 다른 글

랜덤포레스트(Random forest)  (0) 07:59:10
선형 회귀(Linear Regression)  (0) 2019.11.16
나이브베이즈 특징  (0) 2019.11.16
원-핫 인코딩(one-hot encoding)  (0) 2019.11.15
맛있는 수박/커피 고르기  (0) 2019.11.15
분류 분석 모형  (0) 2019.11.14
Posted by codedragon codedragon

댓글을 달아 주세요



 

스텁(Stub)

·         실제 코드나 아직 준비되지 못한 코드를 임의로 동작하도록 하는 메커니즘

·         시스템이 너무 복잡하여 수정이 불가할 사용

·         통합 테스트와 같이 포괄적인 테스트를 수행 사용

·         별도로 외부 연동 시스템을 준비할 필요 없이 테스트 수행

 

 

 

 

 

클라이언트 기능와 서버 구성

기능이 가지로 구성되고, 개의 서버와 연동되는 프로그램입니다.

 

현재 상태가 모든 기능과 서버가 준비되어야만 지금 기능과 연동되는지 테스트가 가능한 경우인데 테스트나 데모가 필요

현재 상태가 기능 3 미완성이고, 서버와의 연결이 불가능한 환경인 경우인데 테스트나 데모가 필요

 

 


 

 

 

 

 

 

가상으로 연동 부분을 만들어 테스트

미구현 부분을 미구현된 부분과 연동이 필요한 부분을 가상으로 구성하여 테스트합니다.

 

스텁 1

미구현 기능 부분 대체하여 테스트

스텁 2

스텁 3

실제 서버를 연동하지 않고 대체하여 테스트

 


 




Posted by codedragon codedragon

댓글을 달아 주세요

 

 

 

weka.clusterers.SimpleKMeans 명령어 옵션

K-평균(K- MEANS) 군집분석을 수행하기 위한 SimpleKMeans 클래스 실행시 필요한 옵션들입니다.

 

 

옵션

설명

-N

SimpleKMeans 만들 클러스터의 개수를 지정합니다.

-A

사용할 거리(distance) 함수를 지정합니다.

기본값은 유클리디언 거리(EuclideanDistance )이며, (-R first -last) 따라 값의 전체 범위를 사용합니다.

-l

k-means 클러스터를 만들기 위해 반복할 횟수입니다.

-S

난수의 시드(seed)값을 지정합니다.

-t

웨카가 클러스터링하려는 훈련용 파일을 지정합니다.

-p

행에 클러스터 인스턴스의 할당을 보여줍니다. 기능을 사용하려면 행마다 어떤 데이터 속성을 사용할지 웨카에 알려주어야 합니다.

 

플래그

설명

-p 0

번호와 클러스터 식별번호가 표시됩니다.

-p 1

-p 0 결과에 x 위치 값이 함께 표시됩니다.

-p 2

-p 0 결과에 y위치 값이 함께 표시됩니다.

 

 

 


Posted by codedragon codedragon

댓글을 달아 주세요



 

 

선형 회귀(Linear Regression)

·         최소제곱법(OLS; ordinary least squares)

·         종속 변수(또는 반응 변수) 독립 변수(또는 설명 변수) 의해 설명하는 모델을 다루는 회귀 분석(Regression Analysis) 종류입니다.

 

·         선형 회귀는 예측과 훈련 세트에 있는 타깃 변수 사이의 평균제곱오차(mean squared error) 최소화하는 파라미터를 찾습니다.

·         선형 회귀는 매개변수가 없는 것이 장점이지만, 모델의 복잡도를 제어할 없다는 단점이 있습니다.

 

 

 

·         선형 회귀는 종속 변수 y 하나 또는 이상의 설명 변수 X 설명하는 모델을 만드는 방법입니다. 선형 회귀가 찾은 결과는 y = aX + ε 같은 형태가 됩니다.

·         회귀함수에서 소문자 x 아니라 대문자 X 사용했다는 점에 유의해야 합니다. 대문자 X 벡터 또는 행렬을 의미합니다.

·         Linear regression predicts output by fitting a linear equation
(y=ax+b) to observed data.

 

 

 

·         선형 회귀를 수행할 범주형 변수는 가변수(dummy variable) 바뀝니다.

·         상호 작용(Interaction) 있을 model.matrix 살펴보면 사실을 확인할 있습니다.

 

·         평균으로 돌아간다는 뜻의 선형 회귀는 미래를 예측하는 중요한 공식을 만들 있습니다.

 

 

http://bit.ly/2Q16UnQ

https://en.wikipedia.org/wiki/Linear_regression

 


'Development > Big Data, R, ...' 카테고리의 다른 글

랜덤포레스트(Random forest)  (0) 07:59:10
선형 회귀(Linear Regression)  (0) 2019.11.16
나이브베이즈 특징  (0) 2019.11.16
원-핫 인코딩(one-hot encoding)  (0) 2019.11.15
맛있는 수박/커피 고르기  (0) 2019.11.15
분류 분석 모형  (0) 2019.11.14
Posted by codedragon codedragon

댓글을 달아 주세요



 

 

 

Word OneNote Microsoft Mathematics 추가 기능

 

https://www.microsoft.com/ko-kr/download/details.aspx?id=17786


 

 


 

 

직접 다운로드

MASetup.exe


Posted by codedragon codedragon

댓글을 달아 주세요