효율적인 프로토타입 테스트를 위한 고려 사항

릴리즈 노트 작성 항목

CASE 1

CASE 2

인터뷰(Interview)

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

·         고객, 사용자, 도메인 전문가로부터 요구정보를 효과적으로 수집합니다.

·         많은 정보 획득을 위한 계획이 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.

IRIS.ARFF 데이터 셋

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

IRIS.ARFF 데이터 셋  파일

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

IRIS.ARFF 데이터 셋의 헤더 부분 정보

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.

클래스 정의

·         "class 클래스명" 을 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 attribute를 동적으로 추가할 수 있고, 메서드도 일종의 메서드 객체로 취급하여 attribute를 포함하고 있습니다.

빈 클래스 생성

클래스 멤버를 정의하지 않은 가장 간단한 빈 클래스

랜덤포레스트(Random forest)

·         분산이 큰 의사결정나무의 단점을 통계적 기법으로 극복한 방법입니다.

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

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

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

·         원 자료로부터 부트스트랩 샘플을 추출하고, 각 부트스트랩 샘플에 대해 트리를 형성해 나가는 과정은 배깅과 유사하나, 각 노드마다 모든 예측변수안에서 최적의 분할(split)을 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

스텁(Stub)

·         실제 코드나 아직 준비되지 못한 코드를 임의로 동작하도록 하는 메커니즘

·         시스템이 너무 복잡하여 수정이 불가할 때 사용

·         통합 테스트와 같이 포괄적인 테스트를 수행 시 사용

·         별도로 외부 연동 시스템을 준비할 필요 없이 테스트 수행

클라이언트 기능와 서버 구성

기능이 네 가지로 구성되고, 두 개의 서버와 연동되는 프로그램입니다.

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

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

가상으로 연동 부분을 만들어 테스트

미구현 부분을 미구현된 부분과 연동이 필요한 부분을 가상으로 구성하여 테스트합니다.

weka.clusterers.SimpleKMeans 명령어 옵션

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

선형 회귀(Linear Regression)

·         ≒ 최소제곱법(OLS; ordinary least squares)

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

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

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

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

·         회귀함수에서 소문자 x가 아니라 대문자 X를 사용했다는 점에 유의해야 합니다. 대문자 X는 벡터 또는 행렬을 의미합니다.

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

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

·         상호 작용(Interaction)이 있을 때 model.matrix를 살펴보면 이 사실을 확인할 수 있습니다.

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

http://bit.ly/2Q16UnQ

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

Word 및 OneNote용 Microsoft Mathematics 추가 기능

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

직접 다운로드

MASetup.exe