Computer/C, CPP, MFC
임베디드 프로그래밍에서 상태 머신(State Machine)
임베디드 프로그래밍에서 상태 머신(State Machine)은 시스템의 상태를 관리하는 데에 핵심적인 역할을 합니다. 상태 머신은 시스템이나 소프트웨어가 가질 수 있는 모든 상태와, 특정 이벤트가 발생했을 때 다른 상태로 전환되는 규칙 또는 전환(Transition)을 정의합니다. 이를 통해 복잡한 시스템의 동작을 체계적이고 예측 가능한 방식으로 설계하고 구현할 수 있습니다. 상태 머신의 기본 구성 요소 상태(State): 시스템이 어떤 특정 시점에 존재할 수 있는 조건이나 상황을 의미합니다. 예를 들어, 전등의 상태는 '켜짐', '꺼짐'이 될 수 있습니다. 이벤트(Event): 상태 전환을 유발할 수 있는 외부 또는 내부에서 발생하는 사건입니다. 예를 들어, '스위치를 누름'이 이벤트가 될 수 있습니다..
Computer/ETC
ANCHOR
ANCHOR - 파일 내의 특정 섹션을 나타내기 위해 사용됩니다. TODO - 완료를 기다리는 항목입니다. FIXME - 버그 수정이 필요한 항목입니다. STUB - 생성된 기본 스니펫에 사용됩니다. NOTE - 특정 코드 섹션에 대한 중요한 메모입니다. REVIEW - 추가 검토가 필요한 항목입니다. SECTION - 영역을 정의하기 위해 사용됩니다 (‘계층적 앵커’ 참조). LINK - 편집기 내에서 열 수 있는 파일로 연결하기 위해 사용됩니다 (‘링크 앵커’ 참조).
Computer/C#
VS에서 Windows Forms 앱 과 Windows Forms 앱(.NET Framework) 차이
"Windows Forms 앱"과 "Windows Forms 앱(.NET Framework)" 사이의 주된 차이점은 사용되는 .NET 플랫폼의 버전과 관련이 있습니다. 이 두 용어는 종종 혼용되어 사용되지만, 기술적으로는 다음과 같은 차이점이 있습니다: Windows Forms 앱(.NET Framework): 이것은 오리지널 .NET Framework를 기반으로 하는 Windows Forms 애플리케이션을 가리킵니다. .NET Framework는 Microsoft에 의해 개발된 소프트웨어 프레임워크로, Windows 운영 체제에서 주로 사용됩니다. 이 플랫폼은 Windows Forms를 포함한 여러 UI 프레임워크를 지원하며, 2002년부터 여러 버전이 출시되었습니다. .NET Framework 기반의..
Computer/Machine learning models
RNN에서 사용되는 'input_shape' 알아보자
input_shape에서의 시퀀스 길이와 특성 수는 순환 신경망(RNN) 또는 그 변형인 LSTM, GRU 레이어에 입력되는 데이터의 구조를 나타냅니다. 이들은 시계열 데이터나 텍스트 데이터와 같이 순차적인 데이터를 처리할 때 사용됩니다. 시퀀스 길이 (Sequence Length): 이는 입력 데이터의 시간 단계 또는 순차적인 단계의 수를 나타냅니다. 즉, 하나의 시퀀스 내에 있는 연속적인 데이터 포인트의 개수입니다. 예를 들어, 시계열 데이터에서 시퀀스 길이는 고려하고자 하는 시간 프레임의 길이가 될 수 있습니다. 만약 하루 동안 시간별 데이터를 고려한다면, 시퀀스 길이는 24가 될 수 있습니다. 특성 수 (Number of Features): 이는 각 시간 단계에서의 관찰된 특성(변수)의 수를 나타..
Computer/Machine learning models
LSTM(Long Short-Term Memory)과 GRU(Gated Recurrent Unit)의 특징 비교
LSTM(Long Short-Term Memory)과 GRU(Gated Recurrent Unit)는 둘 다 순환 신경망(RNN)의 변형으로, 시퀀스 데이터(예: 시계열 데이터, 텍스트 등)를 처리하는 데 사용됩니다. 두 구조 모두 기본 RNN의 단점인 장기 의존성 문제를 해결하기 위해 고안되었으나, 그들의 내부 구조와 작동 방식에서 차이가 있습니다. LSTM의 특징 게이트: LSTM은 셀 상태를 조절하기 위해 세 개의 게이트(입력 게이트, 출력 게이트, 망각 게이트)를 사용합니다. 이 게이트들은 네트워크가 장기간에 걸친 의존성을 학습할 수 있도록 돕습니다. 셀 상태: LSTM은 셀 상태라는 추가적인 정보 흐름을 가지고 있으며, 이는 네트워크를 통해 정보를 장기간에 걸쳐 전달하는 데 도움을 줍니다. 매개..
Computer/Machine learning models
recurrent_activation
recurrent_activation recurrent_activation은 순환 신경망(RNN)의 게이트 제어에 사용되는 활성화 함수를 지정하는 옵션입니다. LSTM과 GRU 같은 RNN 구조에서 게이트는 셀의 상태를 어떻게 업데이트할지 결정하는 중요한 역할을 합니다. 여기서는 recurrent_activation에 사용될 수 있는 몇 가지 일반적인 활성화 함수와 그 설명을 제공합니다: 1. Sigmoid ('sigmoid') 설명: sigmoid 함수는 출력을 0과 1 사이로 제한합니다. 이 특성 때문에 sigmoid는 게이트의 열림과 닫힘을 제어하는 데 주로 사용됩니다. 출력이 1에 가까우면 게이트는 완전히 열리고, 0에 가까우면 게이트는 완전히 닫힙니다. 사용 예: LSTM과 GRU의 입력 게이트..
Computer/Machine learning models
Epochs 와 Batch Size
epochs와 batch_size는 신경망을 훈련할 때 사용되는 두 가지 중요한 하이퍼파라미터입니다. 이들의 역할은 다음과 같습니다: Epochs 정의: 한 epoch은 전체 데이터 세트가 신경망을 통해 한 번 전달되는 과정을 의미합니다. 다시 말해, 모든 훈련 데이터가 신경망을 한 번 통과하고 가중치가 업데이트되는 과정이 하나의 epoch입니다. 용도: epochs=100이라는 설정은 전체 훈련 데이터 세트를 신경망을 통해 총 100번 전달하겠다는 것을 의미합니다. 이를 통해 모델이 훈련 데이터로부터 패턴을 학습하고 성능을 개선할 기회를 제공합니다. 중요성: 너무 적은 수의 epoch는 모델이 데이터에서 충분한 패턴을 학습하지 못하게 할 수 있으며, 너무 많은 epoch는 과적합(overfitting)..
Computer/Machine learning models
데이터 분할 : train_test_split
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42) 머신러닝 모델을 훈련시키기 위해 전체 데이터셋을 훈련 데이터와 테스트 데이터로 분할하는 과정을 나타냅니다. train_test_split 함수는 scikit-learn 라이브러리의 model_selection 모듈에 포함되어 있으며, 데이터를 무작위로 훈련 세트와 테스트 세트로 나누는 데 사용됩니다. 각 부분의 구성 요소를 자세히 살펴보겠습니다: X_scaled: 모델 훈련에 사용할 피처(독립 변수)입니다. 이 변수는 스케일링된 데이터를 나타내며, 스케일링은 피처들의 범위를 일정하게 맞추기 위해 수행됩니다. 스케일링은 모델의 성능을 ..
Computer/Micro:bit
빗방울 피하기
마이크로 비트를 제어하는 기본 문법을 학습하여 게임을 만든다. # 게임셋팅 def gameSetting(): global start, gameSpeed, sprite, direction start = False gameSpeed = 500 sprite = game.create_sprite(2, 4) # sprite가 처음 배치가 되면 오른쪽을 바라보고 있다. 초기 세팅을 해주는것. direction = "right" rainSetting() # 게임오버 만들기 def spriteDie(): global start if sprite.is_touching(rain1) or sprite.is_touching(rain2) or sprite.is_touching(rain3): rain1.delete() rain2..
EIGHTBOX
hwaya.
programmer
Today
Yesterday
Total