분류 전체보기50 미국 교환학생: 레쥬메와 커버레터 작성 가이드와 템플릿 안녕하세요블레이즈 테크노트의 블레이즈입니다. 이번 포스팅에서는 미국에서 일자리를 구할 때 꼭 필요한 레쥬메(Résumé )와 커버레터(Cover Letter) 작성법에 대해 이야기하려고 합니다. 미국에서의 레쥬메 작성은 처음엔 정말 어려운 작업입니다.저 역시 학교 커리어 센터의 도움을 받아 여러 번 첨삭을 거쳤습니다.특히, 미국식 레쥬메의 형식과 구조가 한국과는 사뭇 달라 처음엔 혼란스러웠던 기억이 납니다. 레쥬메 작성: 깔끔하고 간결하게미국에서 레쥬메는 정해진 형식과 규칙에 맞춰 작성하는 것이 매우 중요합니다. 채용 담당자들은 짧은 시간 안에 많은 정보를 파악해야 하므로, 명확하고 간결한 구조로 작성해야 합니다. 저는 한국과 사뭇 다른 양식 때문에 고생을 했습니다. 아래의 템플릿으로 레쥬메 작성을.. 2025. 1. 11. 푸르른 취미 : 수초 키우기, 물고기 키우기 안녕하세요 오늘은 번외로, 저의 취미 이야기를 해볼까 합니다. 제가 어릴 때에는 집집마다 물고기, 거북이, 햄스터 등을 키우는 것이 일종의 유행이었습니다. 그래서 저도 아빠를 졸라서 거북이도 키워보고 물고기도 키워봤었죠. 동네 수족관에 가서 어항도 사고 물고기도 실컷 골라서 현관 앞에 두고 열심히 쳐다봤었습니다. 하지만 어린 날의 저는 끈기가 없었던 것 같아요. 밥만 열심히 주고 청소는 늘 아빠의 몫이었습니다. 주말이면 어항청소를 하느라 고생하셨던 아부지....... 얼마 못가 물고기들이 전멸하고 앞으로 제 인생에서 물고기는 없을 줄 알았으나~~ 한 1년 전쯤부터 갑작스레 물고기를 키우게 되었습니다. 처음 시작은 식물부터였습니다. 사실 저는 식물 키우는 취미를 꽤 오래 가지고 있었습니다. 물론 그만큼 죽.. 2024. 5. 4. 머신러닝 실습: 분류분석 연습2 안녕하세요 블레이즈 테크노트의 블레이즈입니다. 이전 포스팅에서는 분류분석에 대한 데이터 전처리 작업을 살펴보았습니다. 2024.03.02 - [머신러닝(Machine Learning)] - 머신러닝 실습: 분류분석 연습1 오늘은 그 데이터를 활용해 본격적으로 모델 학습과 평가 과정을 진행해보겠습니다. 분류 모델에 대한 이론적 배경이 필요하신 분들은 이전 이론 포스팅을 참고해주세요. 로지스틱 회귀, 선형 판별 분석, K-최근접 이웃 분석 등 다양한 분류 모델에 대해 자세히 다루었습니다. 2024.03.01 - [분류 전체보기] - 머신러닝 이론 분류모델: 로지스틱 회귀, 선형 판별 분석, k-최근접 이웃 분석 이번 포스팅에서는 본격적으로 모델 학습과 평가를 진행해보도록 하겠습니다. 첫 번째 모델은 로지스틱.. 2024. 3. 3. 머신러닝 실습: 분류분석 연습1 안녕하세요 블레이즈 테크노트의 블레이즈입니다. 지난 포스팅에서 머신러닝 지도학습 중 분류 분석 모델을 다뤘습니다. 2024.03.01 - [분류 전체보기] - 머신러닝 이론 분류모델: 로지스틱 회귀, 선형 판별 분석, k-최근접 이웃 분석 이번 포스팅에서는 해당 분석법들을 실제 데이터로 분석해보고자 합니다. 이번 분석에서 사용한 데이터는 포스팅 최하단에 업로드하겠습니다. 먼저, 필요한 라이브러리를 불러오고 데이터를 준비해보죠. 데이터는 포스팅 말미에 첨부해두었으니, 함께 확인해주세요. import pandas as pd import numpy as np from time import time import matplotlib.pyplot as plt import seaborn as sns from skle.. 2024. 3. 2. 머신러닝 이론 분류모델: 로지스틱 회귀, 선형 판별 분석, k-최근접 이웃 분석 안녕하세요 블레이즈 테크노트 블레이즈 입니다. 지난 포스팅에서 회귀분석 중에 Ridge, Lasso, Elastic Net을 공부했습니다. 2024.02.26 - [머신러닝(Machine Learning)] - 머신러닝 이론 선형회귀모델: Ridge, Lasso, Elastic Net 오늘은 분류 모델에 대해서 알아보도록 하겠습니다. 분류는 데이터를 미리 정의된 여러 클래스 중 하나로 할당하는 머신러닝의 한 방법입니다. 이번 포스팅에서는 로지스틱 회귀, 선형 판별 분석(LDA), 그리고 k-최근접 이웃(k-NN) 분석에 대해 다뤄보겠습니다. 로지스틱 회귀(Logistic Regression) 로지스틱 회귀는 이름에 '회귀'가 들어가지만, 실제로는 분류 문제에 사용됩니다. 이 모델은 주어진 독립변수 X에 .. 2024. 3. 1. 머신러닝 실습: 회귀분석 연습2 안녕하세요 블레이즈 테크노트 블레이즈 입니다. 지난 번에는 데이터 전처리에 관한 이야기를 나눴는데, 오늘은 그 전처리된 데이터로 실제 모델 학습과 평가를 해볼 예정입니다. 2024.02.28 - [머신러닝(Machine Learning)] - 머신러닝 기초: 회귀분석 연습 1 지난 번에 데이터 전처리 과정을 보여드렸지만 혹시나 해당 전처리 과정이 제대로 안되셨을까봐 전처리 완료 데이터를 포스트 맨 아래에 첨부하도록 하겠습니다. 이번 포스팅에서 다룰 회귀 모델은 선형 회귀, Ridge 회귀, Lasso 회귀, Elastic Net 회귀 모델입니다. 이러한 모델에 대한 이론적 배경은 아래의 포스팅에 설명했으니, 참고해주세요! 2024.02.26 - [머신러닝(Machine Learning)] - 머신러닝 이.. 2024. 2. 29. 머신러닝 실습: 회귀분석 연습 1 안녕하세요 블레이즈 테크노트 블레이즈 입니다. 오늘은 회귀 분석, 즉 데이터 사이의 관계를 예측하는 실습을 진행해보려고 해요. 회귀 분석이란, 주로 데이터 간의 선형 관계를 찾아내는 방법을 말합니다. 먼저 시작하기 전에, 데이터 분석에 필수적인 몇 가지 도구들을 준비해볼게요. numpy, pandas, matplotlib.pyplot, 그리고 seaborn 같은 라이브러리를 사용할 건데요, 이들에 대한 기초 사용법은 제가 이전에 작성한 포스팅에서 확인하실 수 있습니다. 2024.02.23 - [머신러닝(Machine Learning)] - 머신러닝 기초_numpy 활용하기 2024.02.25 - [머신러닝(Machine Learning)] - 머신러닝 기초_pandas, matplotlib.pyplot .. 2024. 2. 28. 머신러닝 이론 선형회귀모델: Ridge, Lasso, Elastic Net 안녕하세요 블레이즈 테크노트 블레이즈 입니다. 선형 회귀 모델의 기본 선형 회귀(Linear Regression) 모델은 데이터 사이의 선형적인 관계를 모델링하는 통계적 방법입니다. 이 모델은 독립 변수(X)와 종속 변수(Y) 사이의 관계를 선형 방정식으로 표현합니다. 가장 기본적인 형태인 단순 선형 회귀는 하나의 독립 변수를 사용하여 종속 변수의 값을 예측하는데, 이는 다음과 같은 수식으로 표현됩니다: Y=β0+β1X+ϵY=β0+β1X+ϵ 여기서, Y는 예측하고자 하는 변수, X는 예측에 사용되는 변수, β0은 절편, β1은 기울기(독립 변수가 종속 변수에 미치는 영향의 크기), 그리고 ϵ은 오차 항을 나타냅니다. 보통 단순 선형 회귀 모형의 수식은 다음과 같습니다. 운전 거리와 타이어 마모 정도 .. 2024. 2. 26. 머신러닝 기초_pandas, matplotlib.pyplot 활용하기 안녕하세요 블레이즈 테크노트 블레이즈 입니다. 오늘은 pandas 라이브러리를 사용하여 데이터를 다루는 몇 가지 기본적인 방법들을 소개하려고 합니다. 먼저, Colab에서 제공하는 캘리포니아 주택 데이터셋을 pandas로 불러와 보겠습니다 import pandas as pd df = pd.read_csv('./sample_data/california_housing_train.csv') # Data provided by Colab type(df) 이 DataFrame을 numpy 배열로 변환하려면 to_numpy() 메서드를 사용하면 됩니다 numpy_data = df.to_numpy() df.head() 를 활용하면 첫 5줄을 확인할 수 있습니다. 이를 통해 데이터의 생김새를 알 수 있죠. 아래와 같이 .. 2024. 2. 25. 머신러닝 기초_numpy 활용하기 안녕하세요 블레이즈 테크노트 블레이즈 입니다. 오늘은 NumPy를 활용해 다양한 방식으로 숫자 배열을 생성하는 방법에 대해 공유하고자 합니다. 먼저, np.linspace 함수를 사용하는 예시를 살펴보겠습니다. 이 함수는 시작점과 종료점 사이에서 균등한 간격으로 숫자를 생성합니다. 기본적으로, 이 함수는 시작점 1부터 종료점 11까지, 총 50개의 숫자를 선형 간격으로 생성합니다. import numpy as np z = np.linspace(1,11) print(z) 기본 값이 50이라 1부터 11까지 선형간격으로 50개의 숫자를 생성해줍니다. 이어서, np.linspace 함수를 사용해 1부터 11까지 총 11개의 숫자를 생성하고, 이를 활용해 여러 수학 함수의 결과를 탐색해 보겠습니다. x = np.. 2024. 2. 23. 이전 1 2 3 4 5 다음
