열정 실천

🤗 쿠버네티스란?컨테이너를 쉽고 빠르게 배포, 확장 및 관리를 자동화해주는 오픈소스 플랫폼    전통적인 배포 시대에서는 하나의 CPU에 하나의 애플리케이션을 실행했고 이는 자원을 효율적으로 사용하는 방법이 아니었다. 이후 하나의 물리 서버의 CPU에 여러 가상 머신을 실행하여 여러 애플리케이션을 독립적으로 관리하는 가상화 방법이 도입되었다.  더 나아가 애플리케이션 간 OS까지 공유하는 컨테이너 기능이 탄생했다.    컨테이너 기반 애플리케이션을 배포 및 관리하고 제어, 모니터링, 스케일링, 네트워킹을 관리하는 도구를 컨테이너 오케스트레이션 이라고 한다. 컨테이너 오케스트레이션의 종류에는 Doker Swarm, Apache Mesos, Normard 등이 있지만 가장 많이 쓰이는 것이 이번에 배울 쿠..

| 01 | 서브 쿼리 하나의 쿼리 안에 존재하는 또 다른 쿼리  Scalar SubQuery 스칼라 서브쿼리 주로 SELECT 절에 위치하지만 컬럼이 올 수 있는 대부분의 위치에 사용컬럼 대신 사용됨으로 반드시 하나의 값만을 반환해야 한다.    Inline View 인라인 뷰FROM 절 등 테이블 명이 올 수 있는 위치에 사용  Nested Subquery 중첩 서브쿼리 WHERE 절과 HAVING 절에 사용  | 02 | 뷰(view)특정 SELECT 문에 이름을 붙여서 재사용이 가능하도록 저장해놓은 오브젝트이다. SQL에서 테이블처럼 사용할 수 있다.  - 보안성 : 보안이 필요한 컬럼을 가진 테이블일 경우 해당 컬럼을 제외한 별도의 뷰를 생성하여 제공한다. - 독립성 : 테이블 스키마가 변경되었..

CPU의 레지스터 그리고 메인 메모리와 달리 전원이 꺼져도 데이터를 보존하는 비휘발성 메모리로는 HHD와 SSD가 있다.    HHD - Hard Disk Drive 회전하는 디스크 플래터위에 자석 성질을 가진 자기 헤드로 데이터를 읽고 기록한다. HHD는 물리적인 움직임을 수반하기 때문에 진동이나 충격에 민감하고 기계적 마모가 발생할 수 있다.   Access Latency : Seek Time + Rotation Delay + Transfer Time - Seek Time : arm을 움직여 원하는 트랙으로 이동하는 시간 - Rotation Delay : 디스크가 회전해서 원하는 섹터로 이동하는 시간 - Transfer Time : 실제로 데이터를 읽거나 쓰는 시간 이처럼 HHD는 물리적인 디스크의 ..

Deep Learning 딥러닝  머신러닝 알고리즘 중 심층 인공신경망(Deep Nueral Network)을 활용한 것들의 집합 *심층 : 2개 이상의 은닉층 (Hidden Layer) 딥러닝이 주목 받지 못했던 이유   성능적인 측면 1. Layer 개수가 적으면 좋은 성능을 내기 어려움 성능적인 측면 2. Layer 개수가 많을 때, 심층부 Layer까지 잘 학습시키는 알고리즘이 없었음  현실적인 측면 1. Overfitting을 피하기 위해서 많은 수의 학습 데이터가 필요  현실적인 측면 2. 학습해야하는 Parameter(각 뉴런의 weight, bias)가 너무 많아, 학습 시간이 너무 김 하지만 (1) 알고리즘 자체의 발전, (2) 하드웨어 기술의 발전, (3) 활용 가능한 데이터의 증가로 ..

| 07 | JOIN 각기 다른 테이블을 한 번에 보여줄 때 쓰는 쿼리  ⚠ JOIN되는 두 테이블에 모두 존재하는 컬럼의 경우 컬럼명 앞에 반드시 테이블명이나 ALIAS를 명시해주어야한다.     EQUI JOINEqual (=) 조건으로 JOIN하는 방법  NON EQUI JOINEqual (=) 조건이 아닌 다른 조건 (BETWEEN, >, >=,  * EQUI JOIN과 NON EQUI JOIN은 하나의 쿼리에서 같이 사용할 수 있다.   LEFT OUTER JOINSQL에서 왼쪽에 표기된 테이블의 데이터는 무조건 출력되는 JOIN 오른쪽에 데이터가 없는 ROW는 오른쪽 테이블 컬럼의 값이 NULL로 출력된다.  오른쪽 테이블에 (+) 기호로 구문 생략 가능 RIGHT OUTER JOIN SQL에..

회귀 모델의 성능 평가  - MAE (Mean Absolute Error) : 모델의 예측 값과 실제 값 사이의 절대적인 차이를 평균한 값- MSE (Mean Squared Error) : 예측 값과 실제 값의 차이를 제곱한 후 평균한 값- RMSE (Root Mean Squares Error) : MSE의 값에 제곱근을 씌운 값으로 산출된 오차의 단위가 실제 값과 동일  MAE, MSE, RMSE는 모두 모델의 예측 성능을 평가하는 데 사용되는 대표적인 손실 함수이다.  이 3개의 식에서 y는 실제 값, y'는 예측 값, N은 데이터의 총 개수를 뜻한다.  이 중 MSE는 가장 많이 사용되는 가장 직관적인 손실 함수이다. 오차를 제곱하기 때문에 큰 오차에 가중치를 부여한다.  즉, 작은 오차보다는 큰 ..