분류 전체보기227 [WEB] SPA, CSR, SSR 차이 SPA(Single Page Application) SPA는 말 그대로 한 개의 페이지를 가진 어플리케이션이다. SPA의 장점 사용자 친화적 초기 렌더링 후 데이터만 받아오기 때문에, 상대적으로 서버 요청이 적음 Virtual DOM 프론트엔드와 백엔드 분리로 개발 업무 분업화 및 협업에 용이 개발이 상대적으로 효율적 CSR(Client Side Rendering) CSR 방식은 최초 요청시에 HTML을 비롯해 CSS, JS 등 각종 리소를 받아온다. 서버에서 최소한의 HTML을 받고, 내부에 위치한 script 태그로 JS 파일을 받아 클라이언트에서 페이지를 렌더링 하는 방식 React, Vue, Angular 등이 CSR에 해당 CSR의 동작 방식 사용자가 웹 페이지를 방문할 경우, 브라우저는 최소한.. 2023. 10. 19. [React] 리액트로 아주 간단한 todo-list 만들기 useState를 연습해보기 위해 간단한 일정 관리 앱을 만들어 보자. ※기능 연습이라 css는 적용하지 않음. 1. input과 버튼 생성 우선 할 일을 적을 input 창과 등록을 하기 위한 버튼을 만들어 주자. function App() { console.log(toDos); return ( Add TO Do ); } export default App; 아주 간단한 입력창과 버튼이 만들어졌다. 2. input창에 어떤 값이 들어왔는지 확인 우리는 입력창에 어떤 값이 들어 왔는지 알아야 한다. 입력 창에 어떤 값이 들어왔는지 알기 위해서는 useState를 사용해서 어떤 값이 들어 왔는지 계속 업데이트를 해 줘야 한다. import { useState } from "react"; function Ap.. 2023. 9. 24. [ML] 일반화, 과대 적합, 과소 적합 지도 학습에서는 훈련 데이터로 학습한 모델이 훈련 데이터와 특성이 같다면 처음 보는 새로운 데이터가 주어져도 정확히 예측할 거라 기대한다. 모델이 처음보는 데이터에 대해 정확하게 예측할 수 있으면 훈련세트에서 테스트 세트로 일반화 되었다고 한다. 그래서 모델을 만들 때는 가능한 정확하게 일반화되도록 해야 한다. 과대적합(Overfitting) 훈련 세트에 너무 맞추어져 있어 테스트 세트의 성능 저하 너무 상세하고 복잡한 모델링을 하여 훈련데이터에만 과도하게 정확히 동작하는 모델 과소적합(Underfitting) 훈련 세트를 충분히 반영하지 못해 훈련 세트, 테스트 세트에서 모두 성능이 저하 모델링을 너무 간단하게 하여 성능이 제대로 나오지 않는 모델 해결방법 주어진 훈련 데이터의 다양성 보장 → 다양한 .. 2023. 9. 15. [ML] 지도학습의 분류와 회귀 개념 정리 지도학습은 입력과 출력 샘플 데이터가 있고, 주어진 입력으로부터 출력을 예측하고자 할 때 사용한다. 이런 입력/출력 샘플 데이터, 즉 훈련 세트로부터 머신러닝 모델을 만든다. 분류 분류는 미리 정의된 가능성이 있는 여러 클래스 레이블 중 하나를 예측하는 것이다. 이진 분류: 딱 두개의 클래스로 분류 다중 분류: 셋 이상의 클래스로 분류 이진 분류는 질문의 답이 예/아니오만 나올 수 있도록 하는 것이라고 생각할 수 있다. 이메일에서 스팸을 분류하는 것이 이진 분류 문제의 한 예이다. 이 경우 예/아니오 대답에 대한 질문은 "이 이메일이 스팸인가요?"이다. 붓꽃데이터 같은 경우는 다중 분류에 속한다. 다른 예로 웹 사이트의 글로부터 어떤 언어의 웹 사이트인지를 예측하는 것이 있다. 회귀 회귀는 연속적인 숫자.. 2023. 8. 30. 이전 1 2 3 4 5 6 7 ··· 57 다음
