코딩걸음마

CTR : user가 추천된 항목을 click할 확률을 예측하는 문제 추가 Feature engeneerig이 필요없다는 것이 Wide & Deep과 차이점이 있다 Explicit / implicit 한 데이터를 모두 모델링하려고 하는 모델이다 !pip install torchfm import numpy as np import torch import torch.nn.functional as F class 설정 class FeaturesLinear(torch.nn.Module): def __init__(self, field_dims, output_dim=1): super().__init__() self.fc = torch.nn.Embedding(sum(field_dims), output_dim) self...

Selenium은 현존하는 크롤러중 가장 강력한 크롤러임이 틀림없다. 배워두면 언젠가는 써먹을 데가 있다. 이전 버전까지는 chromedriver 설치 및 복잡한 과정이 있었지만 이제 그런 걱정도 사라져서 정말 필수 모듈이 아닌가 싶다. 준비 !pip install chromedriver_autoinstaller !pip install selenium #Step 0. 필요한 모듈과 라이브러리를 로딩합니다. import sys # 시스템 import os # 시스템 import pandas as pd # 판다스 : 데이터분석 라이브러리 import numpy as np # 넘파이 : 숫자, 행렬 데이터 라이브러리 import chromedriver_autoinstaller from bs4 import Be..

0. 라이브러리 설치 및 불러오기 !pip install pytorch-widedeep import os import pandas as pd import numpy as np from sklearn.model_selection import train_test_split 1. 데이터 불러오기 및 가공 사용할 Dataset은 KMRD Dataset을 사용하였다. https://github.com/lovit/kmrd GitHub - lovit/kmrd: Synthetic dataset for recommender system created from Naver Movie rating system Synthetic dataset for recommender system created from Naver Movie..

K-means from sklearn.cluster import KMeans # kmeans : 모델 객체 생성 model_km = KMeans(n_clusters=6, random_state=0).fit(datas) # 예측 데이터 생성 pred_km = model_km.fit_predict(datas) # 데이터 프레임 만들기 df = pd.DataFrame(datas) df["labels"] = pred_km df.tail(2) 시각화 # 그래프 그리기 plt.scatter(df[0], df[1], c=df["labels"], cmap="rainbow", alpha=0.3) plt.show() DBSCAN from sklearn.cluster import DBSCAN # 모델 객체 생성 model_..