본문 바로가기

전체 글

 (108)
Install https://github.com/wonjongRyu/bookstagram/commit/792836d9214f5244ee3459d80ec775f120389273 Prisma는 ORM(Object-relational mapping) 데이터베이스 관련한 어려운 문제들을 해결해준다. 어플리케이션에 필요한 모델을 graphql로 정의할 수 있다는 점에서 특별하다. graphql로 정의한 모델을 이해한 후에 코드를 형식에 맞게 바꿔준다. https://www.prisma.io/프리즈마 가입하고 create example service npm install -g prisma prisma init datamodel.prisma를 보면 기본 모델이 있고, 모델을 변경한 뒤 이를 업로드 하려면 prisma deploy
GraphQL server https://github.com/wonjongRyu/bookstagram/commit/c3c95aea5e2a0c940856f1af82df1ddae259cba9 npm add dotenv dotenv 모듈은 .env 파일을 읽는다 PORT를 비롯한 모든 설정 값들은 .env에 넣어놓는다. 서버를 먼저 세우고, 그 다음에 prisma를 서버 코드에 추가한다. GraphQL 서버에는 express 서버가 내장되어 있다. npm add @babel/node @babel/preset-env @babel/core npm add morgan log를 표시해준다. GraphQLServer에는 typeDefs와 resolvers들이 필요하다 이들을 server.js에 모두 적으면 내용이 너무 많아진다. api안에 gr..
Setup github.com/new에서 repository 생성 readme 파일 비우고 gitignore을 node로 설정 VSC에서 git clone {repository URL} npm init npm add graphql-yoga npm add nodemon -D npm add babel-node npm add babel-cli -D src/server.js 추가 @package.json "scripts": { "dev": "nodemon --exec babel-node src/server.js" } nodemon을 실행할 때마다 babel-node로 src폴더의 server.js 파일을 실행한다. @src/server.js console.log("hello") nodemon.json 추가 @nodemon..
Requirements NodeJS NPM visual studio git 윈도우 - android studio mac - xcode
Clone Instagram! NodeJS, ReactJS, React Native, Prisma를 사용 NodeJS: 백엔드 기술 Prisma: 데이터베이스 ORM ReactJS: 프론트엔드 기술 React Native: 앱을 만들 때 필요 IOS, 안드로이드, 프론트엔드, 백엔드 모두 javascript로 만든다.
5.3 초매개변수와 검증 집합 초매개변수는 알고리즘의 행동을 제어하는 데 사용할 수 있는 설정이다. 학습 과정이 초매개변수들의 값을 변화시키지는 않는다. 학습 알고리즘이 학습하지 않는 설정 중 최적화하기 어려운 설정을 초매개변수로 두기도 한다. 그보다 더 자주 쓰이는 접근 방식은, 훈련 집합으로 학습하기에 적합하지 않은 설정을 초매개변수로 두는 것이다. 모형의 수용력을 제어하는 모든 초매개변수가 그런 방식에 속한다. 만약 그런 초매개변수를 훈련 집합을 통해 학습한다면 모형은 가능한 최대의 모형 수용력에 해당하는 초매개변수들을 선택하게 되며, 결과적으로 과대적합이 일어난다. 이런 문제를 극복하려면 훈련 알고리즘이 관측하지 않은 견본들로 이루어진 검증 집합(validation set)이 필요하다. 모형에 관해 뭔가를 선택하고 결정하는 과..
5.2 수용력, 과대적합, 과소적합 기계학습 모형을 훈련할 때 사용했던 입력이 아닌 새로운 입력에 대해서도 알고리즘이 잘 작동해야 한다는 점이 기계학습이 어려운 이유다. 이전에 관측한 적이 없는 입력에 대해 잘 작동하는 능력을 일반화(generalization)라고 부른다. 기계학습 모형을 훈련할 때는 모형이 예측한 값과 훈련 집합에 있는 참값 사이의 오차를 측정할 수 있고, 이를 훈련 오차(training error)라고 부른다. 훈련 오차는 작을수록 좋다. 기계학습이 최적화와 다른 점 하나는, 훈련 오차뿐만 아니라 일반화 오차(generalization error)도 줄여야 한다는 것이다. 통계적 학습 이론(statistical leraning theory) 분야에 따르면, 훈련 집합과 시험 집합을 수집하는 데 일정한 가정과 제약을 두..
5.1 학습 알고리즘 기계 학습 알고리즘은 자료로부터 뭔가를 학습하는 능력을 가진 알고리즘 학습(learning)에 대한 간결한 정의가 [Mitchell, 1997]에 나온다. 한 컴퓨터 프로그램이 어떤 과제류 T에 속하는 과제들을 수행하며 그 수행의 성과를 측정한 측도가 P라고 할 때, 만일 어떤 경험 E 때문에 T의 어떤 과제에 대한 성과 측도 P가 개선되었다면, 그 컴퓨터 프로그램은 경험 E로부터 학습한다고 말할 수 있다. 기계 학습 알고리즘들은 학습 과정에서 허용되는 경험의 종류에 따라 크게 비지도 학습과 지도 학습으로 나뉜다. 비지도 학습 알고리즘은 다수의 특징을 담은 자료 집합을 경험하고, 구조가 가진 유용한 성질들을 배운다. 심층 학습의 맥락에서 학습 알고리즘의 목표는, 주어진 자료 집합을 만들어 낸 생성원에 해..

티스토리툴바