분류 전체보기

Microsoft Build 2024 - After Party with MVP 후기

행사 정보는 아래 링크에서 참고 부탁드려요! https://event-us.kr/powerplatform/event/82297 Microsoft Build 2024 - After Party with MVP - 이벤터스이 행사는 Microsoft의 Build 행사 후, MVP들과 함께 Power Platform과 Microsoft365에 대해 자세히 알아보고자 하는 모든 사용자를 위해 커뮤니티에서 주도하는 이벤트입니다. event-us.kr 저는 개발자이지만, 노코드툴에 굉장히 관심이 많은데요. 항상 모든 문제를 코딩으로 해결하기에는 비용 대비 효과가 크지 않다고 느끼다 보니 자동화는 종종 노코드툴을 사용하고 있습니다. 생각보다 노코드툴이 할 수 있는 범위도 넓어서 사용해보며 감탄을 하기도 합니다. ㅎㅎ ..

Spring 입문 - 스프링 부트로 환경 설정하기

Spring initializr maven / gradle 필요한 라이브러리 로드. 빌드하는 라이프 사이클까지 관리하는 툴 Spring boot Snapshot은 아직 만들고 있는 버전 Project Metadata Group : 기업 도메인명 Artifact : 빌드 결과물 Dependencies : 어떤 라이브러리를 로드할지 웹프로젝트 - spring web thymeleaf- html을 만들어주는 템플릿 엔진 파일 구조 .idea 설정파일 src ㄴmain ㄴjava ㄴresources : xml, properties 등 설정 파일, html ㄴtest ㄴjava : 테스트 코드와 관련된 ㄴbuild.gradle MavenCentral 라이브러리 다운로드

[MAC, Pycharm] 가상환경 구축하기

1. Pycharm에서 새 프로젝트 생성할 경우 다음과 같이 설정해서 사용한다. 가상환경은 New environment using 설정을 변경해서 conda 등 다른 가상환경을 사용할 수 있다. 이후 개발 진행하면 된다. 2. 기존에 있는 파일에 가상 환경을 구축하고 싶은 경우 나는 github에서 레포를 클론해서 그 곳에서 가상환경을 구축해 개발 환경을 세팅하고 싶었다. 1) pycharm에서 폴더를 열어준다. 2) Pycharms > Settings ( 단축기 : cmd + ,) 상단에 검색창을 이용하여 pyhon interpreter를 찾는다. Add Interpreter 를 클릭한다. 3) Add Local Interpreter 선택 4) 가상 환경 설정하기 만약 OK 버튼이 활성화 되지 않고, ..

도커로 MAC ELK 설치 (jdk 오류, brew 설치 오류)

환경 : m1 mac Ventura 13.3.1 원래는 brew로 elk를 설치하려고 했었다. 이전 설치 프로그램들도 brew로 잘 관리하고 있어서 용이하다고 생각했다. Mac brew ELK (Elasticsearch + logstash + kibana) 설치 + mysql 연동 :: TRANDENT Spring, JSP, Javascript, JQuery, AngularJS 등 웹개발 정보 공유. Trandent.com trandent.com elk는 elasticsearch, logstash, kibana 3가지를 일컫는 약어이다. elasticsearch 구동에 있어 jdk가 필요하다. 하지만 brew로 설치한 elasicsearch를 구동하려고 하면 다음과 같은 오류가 떴다. Bootstrap ..

Naive Bayes(나이브 베이즈)

나이브 베이즈 지도 학습 알고리즘으로써 주로 분류의 목적으로 사용 속성들 사이의 독립을 가정하는 베이즈 정리를 기반으로 함. 베이즈 정리 사전 확률의 정보를 이용해 사후 확률을 추정 사전 확률 : 원인인 사전 확률 사후 확률 : 결과가 발생했다는 조건에서 원인이 발생했을 확률 조건부확률 P(B|A) 사건 A가 일어난 상태에서 사건 B가 일어날 확률 우도 (Likelihood) 원인이 발생했다는 조건에서 결과가 발생했을 확률 라플라스 스무딩 (Laplace Smoothing) 학습벡터에 제시되어 있지 않은 요소가 있는 새로운 입력 벡터 조건부 확률이 -이 되어 정상적으로 분류가 되지 않는 경우를 방지하기 위해 확률 값을 보정하는데 사용된다. 로그(Log) 변환 확률은 항상 1보다 작은 값을 갖는 특성을 갖..

기계학습

기계학습 기계학습의 성능을 높이기 위해서는 특징을 잘 뽑아내는 것이 매우 중요 특징 벡터의 차원이 커질 수록 머신러닝의 성능은 높아질 가능성이 커지지만, 계산량이 많아져 속도가 느려지게 됨 -> 차원을 적당히 줄이기 위해 차원 감소 기법을 사용함. 카테고리 - 교사 학습 학습 데이터의 정확한 클래스가 알려져 있음 ex ) 강아지 고양이 분류 장점 : 결과를 사람이 검토해야 하는 비용이 비교사 학습에 비해 상대적으로 작음 단점 : 사람이 수작업으로 클래스를 입력 해야함 - 비교사 학습 학습 데이터의 정확한 클래스가 알려져 있지 않음. 장점 : 수작업으로 클래스 입력할 필요 없음 단점 : 수작업으로 결과를 검토해야 함 - 반교사 학습 교사 학습 + 비교사 학습 사람이 수작업으로 클래스 일부만 입력해도 되며,..

적대적 머신러닝 - 학습 알고리즘 공격 모델

학습기와 공격자 간의 게임을 정교하게 만드는 학습 알고리즘 공격 모델을 구축하기 위한 세 가지 필수 속성 손상모델 보안 분석은 제한된 공격자에게 초점을 맞추지만, 그러기 위해서는 공격자에 대한 제한을 모델링하고 특정 영역에 관한 제한을 정당화 해야 한다. 데이터 삽입 모델 가정 : 공격자가 데이터의 작은 부분을 제한 없이 제어 할 수 있다 ex ) 스팸 필터 공격자(스팸 발송자) : 공격을 위해 임의의 메세지를 만들 수는 있지만, 삽입할 수 있는 공격 메시지 수는 제한 제3자가 보낸 정상 이메일 메시지 제어 불가 스팸 필터 공격이 효과적인지 확인하기 위해 얼마나 많은 메시지가 필요한지 분석 가능 비교적 적은 수의 공격 메시지 만으로도 적대적 스팸 발송자가 필터를 크게 오도하게 만들 수 있음 데이터 변경 ..

적대적 머신러닝 - 시큐어 학습을 위한 프레임워크

적대적 환경에서의 학습에 관한 선행 연구, 학습 시스템을 대상으로 하는 공격, 공격에 대한 secure system을 만들기 위한 제안 학습 단계 분석 측정 단계 측정 과정에 대한 지식 공격자는 정상 데이터를 모방하기 위해 악성 인스턴스(:학습 데이터에 포함된 하나의 특징벡터) 를 설계할 수 있음. 측정 메커니즘을 대상으로 하는 공격이 성송식 작업 수행을 위해 큰 비용의 재계측/재설계 필요 특성 선택 단계 측정 단계에 비해 대응 및 복구 비용이 적음. 재훈련 자동화 가능 그러나, 특성 선택이 오염될 수 있는 훈련 데이터에 기반을 둔 경우 훈련 단계와 같은 방식으로 특성 선택 공격 가능 학습 모델 선택 학습 모델이 알려질 경우, 모델이 내재한 가정 악용 가능 ex) 모델이 데이터의 선형 분리성을 잘못 가정..