char와 varchar 차이 : char : 고정길이 데이터형. 실제 문자열 길이에 상관없이 n byte의 저장 공간을 사용한다. char(10)이면 그 안에 문자가 2가 채워지든 10으로 채워지든 무조건 10에 해당 하는 byte가 저장이 되는 것이다. 짧은 경우에는 공백으로 채워짐. varchar : 가변길이 데이터형. DML(Data Manipulation Language) : Manipulation이 다루기, 조작이라는 뜻. 데이터 조작어. - SELECT, INSERT, UPDATE, DELETE가 있음. DDL(Data Definition Language) : 데이터 정의어. - CREATE, ALTER, DROP, RENAME, TRUNCATE. https://ko.wikipedia.org..

모델링이란? 데이터의 개념적 표현을 만들고, 데이터 엔터티가 서로 관련되는 방식을 설정하고, 데이터가 데이터베이스에 저장되는 방식에 대한 프레임워크를 설정하는 프로세스. 시스템에서 데이터베이스를 구현하기 위한 청사진 같은 역할이다. 추상화 : 시스템이 관리할 수 있는 방식으로 데이터를 나타내기 위해 현실의 필수 측면을 표현한다. 단순화 : 복잡한 시스템을 더 간단하고 관리하기 쉬운 구성 요소로 나누는 과정 명확화 : 사물을 명확하고 이해하기 쉽게 만드는 것. 유의점 : - 중복 : 여러 장소에 같은 정보를 중복 저장하지 않도록 중복성 최소화한다. - 비유연성 : 데이터의 정의를 데이터 사용 프로세스와 분리해서 유연성을 높인다. 비유연성(경직성)의 경우는 데이터베이스 시스템이 요구사항이나 어떤 구조를 바꾸..

아니 좀 웃긴게 있는데.. GPT에 물어봐서 나오는 예제와 위키독스에서 쓰는 예제가 되게 비슷하다. 우연인가..? https://wikidocs.net/33841 e. 노드(Node) - 자료구조 기본 단위 ## 노드  관리… wikidocs.net 신기한 부분. 아무튼 오늘 제일 중요한 것은 Linked List라고 생각한다. 제일 앞은 Head, 뒤에는 Tail이라고 부른다. Head --> |data1|next|--->|data2|next|--->|data3|next|---> None 이렇게 되어있다. class Node: def __init__..

def factorial(n: int) -> int: if n==0: return 1 elif n > 0: return n * factorial(n-1) n = int(input('정수 입력: ')) factorial(n) 팩토리얼 문제. 수강생분이 짜주신거다. factorial 함수를 만들어서 n이 0이 되면 return은 1로 하고, 그렇지 않을 경우에는 n * n-1을 계속 하는 방식이다. 자기 자신을 계속 호출하면서 가져온 파라미터는 1씩 작아지는 것인데, 최종적으로는 밑에 return n* factorial(n-1)이 최종적으로 return 되는 값이 되는 것이고 그 때 까지는 이 메서드가 계속 연산이 진행되며 반환되는 것이다. 이렇게 하면 마지막은 1을 곱한것이니까 사실상 값은 안바뀌고 마무리..

예전에 배웠던 것들인데 가물가물~ 복습하는 느낌으로 간다. attribute : 클래스의 기본 속성. method : 어떤 행동 같은 것. 어떤 인스턴스를 통해 생성되는 것은 인스턴스 메소드. class Car: def drive(self): print('Driving Start!') #instance 생성 mycar = Car() #instance method mycar.drive() 우리가 흔히 쓰는 a = 123123 이런 것도 클래스를 사용한 것이다. a라는 인스턴스를 선언한 것이니까. print(isinstance(mycar, Car)) isinstance를 하면 mycar라는 오브젝트가 해당 클래스의 인스턴스인지를 True 혹은 False로 구분되어 나온다. 오늘 배운 __init__ 이거는 ..

LogisticRegression(solver='liblinear') 이건 뭔지 모르겠는데..? from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, stratify=y, random_state=42) stratify를 쓰면 학습데이터와 트레이닝, 테스트의 분포가 원래 데이터와 동일하도록 학습시키는 것. 뭔가 치우친 데이터에 적용할 때 특히 유용하다. 임의로 20% 뽑았을 때 잘 안나올 수도 있으니까 이것을 사용한다. 과적합 : 트레이닝 데이터가 테스트에 비해 학습이 잘되긴 하는데, 새로운 값이 들어오면 잘 안맞는 경우가 있음. 앙상블..