본문 바로가기
Chapter 2-3. 기초 시계열 분석 Chapter 2-3. 기초 시계열 분석 이번 장에서는 시계열 분석에서 자주 나오는 용어 및 알아야 할 개념들을 간단하게 정리해보고자 한다. 확률과정(Stochastic Process) 확률과정은 확률변수들의 수열이다. 즉, {Y(t), t = 0, ±1, ±2, ...} 형태로 나타낼 수 있으며, 시계열 데이터를 이해하려면 Y(t) 들의 결합 확률 분포를 분석해야 한다. 왜냐하면, 일반적인 시계열 데이터는 독립이 아니기 때문에, 결합 확률 분포를 각 확률 변수의 분포들로 분해할 수 없기 때문이다. 하지만, 평균과 분산을 분석하면 결합 확률 분포의 많은 부분을 이해할 수 있다. 평균, 분산, 공분산, 상관계수 앞서 Chapter 1. 기초 선형대수 및 통계학에서 간단하게 소개한 개념들을 수식으로 알아보자.. 2022. 10. 26.
Chapter 2. Numpy 2편 : Time Series 머신러닝을 위한 Python 필수 라이브러리 1편에서는 array의 생성 방법과 타입 확인, 텐서 차원 등을 실습해 보았다면, 2편에서는 array를 직접 적용하여 실습해 보고자 한다. 2-4. numpy 인덱싱, 슬라이싱, 전치행렬 2-4-1. 인덱싱 인덱싱은 Python 리스트와 동일한 개념으로 사용되고, ‘,’(쉼표)를 통해 각 차원의 인덱스에 접근이 가능하다. 그리고 Ndarray에서 원하는 좌표 또는 특정 데이터만을 선택하는데 유용하게 사용된다. 이때 인덱싱을 할 때 0번부터 인덱스가 시작하는 것을 주의하고, 원하는 축을 지정하려면 axis를 통해 선택할 수 있다. 인덱싱 종류로는 '특정 데이터만 추출', '슬라이싱', '팬시 인덱싱', '불리언 인덱싱' 등이 있다. 인덱싱 및 슬라이싱 '특정 데이터만 추출'은 말 그대로 원하는 위치의 인.. 2022. 7. 27.
Chapter 2. Numpy 1편 : Time Series 머신러닝을 위한 Python 필수 라이브러리 Time Series 머신러닝을 위한 Python 필수 라이브러리, Numpy 1편 머신러닝 알고리즘을 공부하기 앞서, 시계열 데이터를 다루기 위해서 Python 언어의 라이브러리 사용법에 익숙해져야 할 필요가 있다. 이번 챕터에서는 라이브러리를 중점적으로 살펴보며, 여러 실습 예제를 다뤄볼 것이다. Numpy와 Pandas는 큰 규모의 데이터를 탄력적으로 작업할 수 있도록 많은 고성능 도구들을 제공한다. Numpy와 Pandas가 무엇인지 살펴보고, 그 핵심 기능들에 대해 알아보자. 실습을 위한 환경으로는 크게 Jupyter notebook을 직접 구축하여 로컬에서 사용하는 방법과 Google Colab을 사용하는 방법이 있다. 빠른 실습 환경 구축을 위해 Colab을 활용하기를 권장한다. * Nump.. 2022. 7. 27.
Chapter 1. 기초 선형대수 및 통계학 : Time Series 머신러닝을 위한 Python 필수 라이브러리 Time Series 머신러닝을 위한 기초 선형대수 및 통계학 머신러닝과 딥러닝 공부를 시작하고 싶은 분들을 위해, 여러 분야 중 시계열 데이터를 활용한 데이터 처리 및 머신러닝, 딥러닝 알고리즘을 소개하고자 한다. 이는 엑셈의 AI 기반 IT 운영 지능화 솔루션인 XAIOps의 알고리즘 모델들에 대해 이해할 수 있는 첫 걸음이기도 하다. 학습이 모두 끝난 후에는 머신러닝과 딥러닝이 무엇이며, XAIOps의 알고리즘들이 어떤 방식으로 모델링 되는지에 대한 기초적 이해에 도움이 될 것이다. 이에 앞서 데이터 처리 및 AI 알고리즘을 이해하기 위해 사전 지식으로 요구되는 기초 선형대수 및 통계학에 대해 알아보자. 우리는 왜 행렬을 공부해야 할까? 많은 양의 데이터(행렬) 구조를 변환할 때, 알고리즘(모델)의.. 2022. 6. 27.
월간기술동향 | 다가오는 구글 유니버스 모든 것을 알고 있다고 할 정도로 모든 것을 알고 있는 구글. 일명 ‘구글신’이라 불리는 만큼 축적된 빅데이터가 어마어마하겠죠? 구글은 빅데이터를 활용해서 무엇을 하려고 하는지, 그렇다면 우리나라는 데이터 활용을 어떻게 할 것인지 대해서 이야기하려고 합니다. 프로젝트 '나이팅게일' 구글이 환자나 의사에게 알리지 않고 수백만명에 달하는 미국인의 세부적인 건강정보를 수집했다고 합니다. 미국 21개 주에 걸쳐 미국인들의 건강 정보를 모으는 ‘나이팅게일 프로젝트’를 비밀리에 진행해왔다고 하는데요. 구글은 미국 내에서 두 번째로 큰 헬스케어 시스템인 ‘어센션(Ascension)’과 이 정보들을 공유했다고 하며, 최소 150명 정도의 구글 직원이 해당 정보에 접근할 수 있다고 합니다. 위 그림에 따르면, 구글이 수.. 2019. 11. 4.
엑셈 브랜드스토리 Brand X | Visual Motif. #Basic Figure Intro. 단순함의 미학. "Less is more." 간결한 것이 더 아름답다는 뜻으로 로버트 브라우닝의 시에서 처음 언급되었으며, 모더니즘을 대표하는 독일의 건축가 미스 반 데어 로에의 유명한 말입니다. 최근엔 건축 뿐 아니라 식품, 생활, IT, 디자인 등 전반적인 산업에 적용되어'군더더기 없는 심플함'이 더욱 중요해졌습니다. 구글, 유튜브, 던킨, 마이크로소프트, 스타벅스, 펩시 등 많은 기업들의 디자인 리뉴얼을 보면 플랫하고 심플하게 기본적인 형태로 돌아가고 있습니다. 다섯 번째 브랜드 X에서는, 간결함을 추구하는 엑셈의 비주얼 모티브에 대한 이야기를 전하려 합니다. - # Visual Motif 모티브(Motif)는 '움직이게 하다' 라는 의미의 라틴어 motivum에서 유래한 말로 표현이나.. 2019. 5. 8.
엑셈 뉴스룸 | 엑셈 스마트팩토리 in Thailand, China 엑셈은 빅데이터와 인공지능 기술을 바탕으로 2016년 5월부터 2019년 4월까지 산업통상자원부의 스마트팩토리 정부 과제를 수행하였습니다. 본 사업 과제는 총 36개월간 진행되는 대규모 프로젝트로, 엑셈은 제조 빅데이터 분석 및 개발 역량을 인정받아 주관 기관으로 참여하였죠. 이 과제에 대한 실증을 위해 엑셈 AI사업본부에서 태국과 중국으로 출장을 다녀오셨다고 하는데요, 출장기를 함께 보시죠! 엑셈은 공장의 MES(Manufacturing Execution System)나 PLC(Programmable Logic Controller)또는 IoT(Internet of Things)센서로부터 데이터를 수집하고, 이 데이터를 분석해서 공장의 여러 의사 결정을 지원하는 서비스를 만들었습니다. 이 서비스가 제대로.. 2019. 4. 10.
엑셈 뉴스룸 | EXEM AIOps 딥러닝 기반 AIOps가 국.내.최.초로 출시되었습니다!기존 엑셈의 주 고객이었던 금융업 뿐만 아니라, 제조업 등 다양한 분야까지 확대 적용이 가능한!국내 최초 AIOps 솔루션 EXEM AIOps를 오늘 꼼꼼히 살펴보겠습니다 :) AIOps란?AI기술을 IT 운영(Operation)에 접목한 것으로, “IT운영을 위한 인공지능(Artificial Intelligence for IT Operations)”을 뜻합니다. (Algorithmic IT Operations 라고도 합니다.) IT운영에 AI를 도입함으로써 그 운영을 좀 더 지능화, 효율화 하는 것이죠.※ AIOps에 대한 내용은, 여기를 눌러 한번 읽어보고 오시면 좋습니다. IT 인프라 운영자는 장애 없이 시스템을 안정적으로 운영하기 위해 365.. 2019. 4. 10.
Tech in Cinema | 서치(Searching, 2017) ‘테크 인 시네마(Tech in Cinema)’ 코너 소개1896년, 예술과 기술의 새 시대가 열차를 타고 도착했습니다. 뤼미에르 형제의 영화 이 프랑스 파리의 그랑 카페에서 상영되던 날, 사람들은 사진을 처음 경험했을 때보다 수 십만 배 더 강력한 전율을 느꼈을 겁니다. 현실을 있는 그대로 모사한 사진이 정지해 있지 않고 “살아 움직이는” 영상은 그야말로 기적이자 공포였을 테니까요. 은 라 시오타 역에 기차가 도착하는 장면을 촬영한 50초 정도의 짧은 기록 영상일 뿐이었습니다. 하지만 예술의 역사를 이전과 이후로 나눌 수 있을 만큼 영화의 등장은 강렬했습니다. ‘예술’을 뜻하는 영단어 ‘art’의 또다른 뜻이 ‘기술’일 정도로 모든 예술과 기술은 서로 긴밀한 사이겠지만, 영화만큼 기술의 발달에 민감하게.. 2019. 2. 12.