FastAPI 완벽 가이드
₩77,000
중급이상 / Python, FastAPI, SQL, SQLAlchemy
4.9
(16)
본 강의는 FastAPI의 핵심 기능과 함께, 웹서비스 개발의 전 과정을 익힐 수 있도록 구성 하였습니다. 본 강의를 통해 여러분을 현장에서 필요로 하는 FastAPI 전문 개발자로 발돋움 시켜 드릴 것입니다.
중급이상
Python, FastAPI, SQL
(전) 엔코아 컨설팅
(전) 한국 오라클
AI 프리랜서 컨설턴트
파이썬 머신러닝 완벽 가이드 저자
FastAPI 완벽 가이드
₩77,000
중급이상 / Python, FastAPI, SQL, SQLAlchemy
4.9
(16)
본 강의는 FastAPI의 핵심 기능과 함께, 웹서비스 개발의 전 과정을 익힐 수 있도록 구성 하였습니다. 본 강의를 통해 여러분을 현장에서 필요로 하는 FastAPI 전문 개발자로 발돋움 시켜 드릴 것입니다.
중급이상
Python, FastAPI, SQL
카프카 완벽 가이드 - ksqlDB
₩99,000
중급이상 / Kafka, ksqlDB, 데이터 엔지니어링
4.8
(14)
본 강의는 ksqlDB의 활용과 핵심 메커니즘을 다양한 실습을 통해 익힐 수 있게 구성되어 있습니다. 강의를 마치고 나면 여러분은 Kafka(카프카) 기반의 실시간 Streaming 데이터 분석 시스템을 쉽고 빠르게 구축하실 수 있게 됩니다.
중급이상
Kafka, ksqlDB, 데이터 엔지니어링
카프카 완벽 가이드 - 커넥트(Connect) 편
₩99,000
중급이상 / Kafka, 데이터 엔지니어링
4.9
(19)
카프카 커넥트(Kafka Connect)에 대한 깊이 있는 이론 설명과 현업에서 바로 사용될 수 있는 수준의 상세한 실습을 통해 여러분을 현장에서 필요로 하는 카프카 커넥트 기반의 데이터 연동 및 데이터 파이프라인 구축 전문가로 성장시켜 드릴 것입니다.
중급이상
Kafka, 데이터 엔지니어링
카프카 완벽 가이드 - 코어편
₩99,000
중급이상 / Kafka, 데이터 엔지니어링
4.9
(57)
카프카(Kafka)의 핵심부터 내부 메커니즘에 대한 심화 수준의 내용까지, 상세한 이론 설명과 핸즈온 실습 & 실전 카프카 애플리케이션 개발 실습을 통해 카프카를 시작하는 사람도 단숨에 전문가 레벨로 도달할 수 있도록 강의를 구성했습니다.
중급이상
Kafka, 데이터 엔지니어링
다양한 사례로 익히는 SQL 데이터 분석
₩88,000
중급이상 / SQL, PostgreSQL, DBMS/RDBMS, 퍼포먼스 마케팅, 데이터 엔지니어링
4.9
(34)
다양한 실전 데이터 분석 사례를 SQL을 통해 구현해 나가면서 데이터 분석 능력과 SQL 활용 능력을 동시에 향상 시킬 수 있습니다.
중급이상
SQL, PostgreSQL, DBMS/RDBMS
데이터 분석 SQL Fundamentals
₩55,000
초급 / SQL, PostgreSQL, DBMS/RDBMS
4.9
(120)
SQL의 핵심 요소에 대한 상세한 강의와 실습을 통해, 여러분이 SQL 분석 전문가로 성장할 수 있도록 흔들리지 않는 뼈대를 만들어 드리겠습니다.
초급
SQL, PostgreSQL, DBMS/RDBMS
질문&답변
fetch_20newsgroups 데이터셋 로드관련 이슈
안녕하십니까, 음, download가 많이 걸릴 이유가 별로 없을 텐데, 대부분 네트웍 이슈일 수 있을 것 같습니다. 네트웍이 느려서 그런게 아니라면 download 사이트가 잠시 문제가 생겨서 그럴 수도 있습니다. 잠시 기다렸다 나중에 다시 시도해 보시면 좋을 것 같습니다. 아래 인프런 AI 인턴 글도 참조해 보시고, 여전히 안되시면 다시 글 부탁드립니다. 감사합니다.
질문&답변
빌드 시간 수십초 걸림
안녕하십니까, 아래 인프런 AI 인턴의 답변 내용을 참조해 보시겠습니까? 저도 아래 이상의 답변 내용을 찾지 못했습니다. 그리고 실습용 build.gradle 파일하고 동일하게 설정되어 있나요? 혹시 불필요한 dependency 모듈은 없는지 다시 확인 부탁드립니다. 감사합니다.
질문&답변
어디다가 작성해야할 지 몰라 여기에 작성합니다..
안녕하십니까, 오, 군인이신데, 정말 열심히 공부하시는군요. 대단하십니다. 제 여러 강의도 구매해 주셔서 감사합니다. 제가 github codebase를 몰라서 검색해 봤는데, 아무래도 fastapi를 구동하기에는 어려울 것 같습니다. 개인 PC나 클라우드 가상 vm이 아니라면 실습이 어려울 것 같습니다. SQL은 기본 SQL을 사용하니 미리 인터넷에서 블로그나, 유튜브 기본 강의를 들으시면 충분합니다. html도 어렵지 않으니 기본만 하셔도 됩니다. 인공 지능을 활용한 앱을 생성 시 fastapi를 사용하시면 좋지만, 반드시 fastapi를 사용하실 필요는 없습니다. 단순하게 모델의 서빙만을 위해서라면 아래를 검토해 보시면 어떨까 싶습니다. BentoML : ML 서빙 기능을 제공함. 상대적으로 많은 사용자들이 사용하지만, 활용에 조금 번잡한 부분이 있습니다 .Ray Serve: https://docs.ray.io/en/latest/serve/index.htmlLit serve: https://lightning.ai/docs/overview/serve-models제 생각엔 Lit Serve가 좀 괜찮아 보이는데, 자료 찾아보시고 맘에 드는 걸 선택해 보시면 좋을 것 같습니다.필승 하시고, 군 생활 잘 지내셨으면 합니다. 감사합니다.
질문&답변
PCO는 어떻게 결정되나요?
안녕하십니까, PCO가 아니라 P(O)이며, Object 가 될 확률입니다. Object가 될 확률은 Yolo 모델이 loss를 통해서 계속 학습을 하게 되며, 예측값을 계속 내놓습니다. 실제 object가 있는 Grid cell의 Bounding box의 Object 예측값에 IOU를 곱한 값과, 실제 Object의 IOU값의 차이만큼 loss로 계산합니다. 그러니까, 예측 Object확률 P(O) IOU - 실제 오브젝트확률(=1) *IOU로 계산합니다. 감사합니다.
질문&답변
에러 문의
안녕하십니까,아, Colab의 numpy가 upgrade되면서 mmdetection 모듈과 안맞는 부분이 발생하는 군요.현재 colab의 numpy 를 다운그레이드가 필요하군요.실습코드 위에서 아래 cell을 수행하기 전에# 아래를 수행하기 전에 kernel을 restart 해야 함.from mmdet.apis import init_detector, inference_detectorimport mmcv 바로 위 cell을 하나 추가하고 아래와 같이 numpy를 downgrade 해주십시요.!pip install numpy==1.23이후에 커널 재기동 하신 후에 아래를 수행하시고 이어서 실습 하시면 될겁니다.# 아래를 수행하기 전에 kernel을 restart 해야 함.from mmdet.apis import init_detector, inference_detectorimport mmcv 알려 주셔서 감사합니다. 나중에 수정 영상을 만들어야 겠군요.
질문&답변
RPN 질문
안녕하십니까,네, 상세한 부분이 빠져 있지만, 대략적으로는 1, 2 번 다 맞습니다. 아래 AI 인턴 답변도 참조해 보시면 좋을 것 같습니다. 감사합니다.
질문&답변
에러 발생 질문
Colab 가상환경에 기존 모듈을 무시하고, 새로운 모듈을 설치하였으므로 강의에서 말씀드린대로 Kernel을 재 기동하시면 됩니다.
질문&답변
fast RCNN vs faster RCNN
네, 맞습니다. RPN 기반에서 속도와 정확도가 더 뛰어납니다. 감사합니다.
질문&답변
9.6 아이템기반 인접 이웃 협업 필터링 실습 관련 문의
안녕하십니까, 제 생각엔 지금 사용하시는 가상환경이 사이킷런 1.6으로 upgrade하시면서 뭔가 다른것도 다 바뀐것 같군요. 먼저 scipy를 1.7.1 로 downgrade해보시겠습니까? 제 버전이 1.7.1 입니다. ip ipip install scipy==1.7.1아니면 새로운 가상환경에서 강의 실습대로 python 3.9, 사이킷런 1.0.2 로 설치하셔서 새롭게 구성하는 것도 좋을 것 같습니다. 감사합니다.
질문&답변
Bounding Box Regression 학습 질문
안녕하십니까, (지금 강의를 처음 들으시는 거라면, 그리고 현재 강의 영상까지만 들으셨다면), 앞으로의 강의 영상에서 해당 부분을 설명드릴 겁니다. 이론적인 설명은 뒤에서 더 자세히 드리겠지만, 요약해서 말씀드리면Object Detection은 Feature Map 변환 후 오브젝트가 있을 만한 위치를 추정해 내고, 해당 위치에서 얼마나 멀리 오브젝트가 떨어져 있는지를 판별해 냅니다. 그리고 레이블은 Regression 용이 아니라 Classification용이며 학습시에 데이터로 주어집니다. 그래서 해당 오브젝트가 어떤 클래스인지 판별하게 됩니다. 그리고 해당 오브젝트가 이미지의 어느 위치에 있는지 좌표 형태로 주어지게 되고, 모델이 학습하면서 오브젝트가 있을만한 위치를 추정하고, 해당 위치에서 얼마나 떨어져 있는지를 계속 학습하면서 정교해 집니다. 학습에 완료된 모델에 이미지를 입력하면 모델은 해당 이미지의 feature map에서 학습된 어떤 object들이 있는지, 그리고 오브젝트가 있을만한 위치에서 얼마나 떨어졌는지 예측하여서 object detection을 수행하게 됩니다. 감사합니다.