h-elena

Meta longa

- Escrever meu livro

- Uma casão fiado na Itaewon

- Ser a polyglot(Inglês, Português, Español, Francês, Italiano, Chinês, Japonês)

- Comprar o porsche cayenne

- Ser o especialista na area de ciência de dados, e ter umas escolhas de trabalhar qualquer paises e qualquer empresas

- Ter uma sistema de ganhar o dinheiro até quando eu estou dormindo

Meta curta

- Ir ao teatro pra ver a Matilda(Setembro)

- Salvar 20 milões won até dezembro de 2019

- Mover o apartamento com 3 quartos com muito sol ficando perto de rio han ou montanha ou parque dentro de 2 anos 

Meta pra sempre

- Ler mínimo 1 livro por uma semana

- Fazer atenção plena

- Rever minhas metas

- Fazer o exercício 3 vezes por uma semana

5 metas agora eu tenho de focar

1. Ganhar o certificado(ADsP)

2. Estudar a estatísticas, análise, marketing e R

3. Nadar e fazer yoga

4. Estudar o inglês

5. Planear bem a minha vida

Legenda

Minha lista de 101 coisas pra fazer em 1001 dias

http://vidasempretoebranco.blogspot.com/p/parcerias.html

데이터란 단어는 영어권에서 주로 복수형으로 간주되어왔다. 단수형 datum은 여론조사에서 한 질문에 대한 한 사람의 답변 같은 하나의 data point를 지칭한다.

기술 통계학은 단순화시키기 위해 존재하며, 이는 항상 얼마간의 뉘앙스 혹은 세부 사항의 상실을 수반하게 된다.

작업 가설 - 실험의 기초를 만드는 가설

평균은 이탈값에 민감하기 때문에 1인당 국민소득으로 미국 중산층의 경제 건전성을 판단해서는 안 된다.

임금은 시간당 또는 주당 임금처럼 근로 시간에 대해 정해진 금액을 지급받는 것이다. 소득의 다른 여러 소득원에서 받은 보수의 총합을 말한다.

마크 트웨인은 다음과 같은 명언을 남겼다. 거짓말에는 세 종류가 있다. 거짓말, 새빨간 거짓말 그리고 통계.

형광펜 쳐놓은 부분이 많아서 다 옮겨 적지 못했다.

아직 나한테는 조금 어려웠던 책이다.

재독 해야지.

My house is really close by.

It's near your house.

DJI Spark의 active track이라는 기능으로 자동 비행촬영

##### 의사결정나무

library(tree)

iris.tr<-tree(Species~., iris)

plot(iris.tr)

text(iris.tr)

# 데이터를 7:3으로 분리 

library(party)

idx<-sample(2, nrow(iris), replace=T, prob=c(0.7, 0.3))

train.data<-iris[idx==2,]

test.data<-iris[idx==1,]

iris.tree<-ctree(Species~., data=train.data)

plot(iris.tree)

plot(iris.tree, type="simple")

# 예측된 데이터와 실제 데이터 비교

table(predict(iris.tree), train.data$Species)

# test data를 적용하여 적확성 확인

test.pre<-predict(iris.tree, newdata=test.data)

table(test.pre, test.data$Species)

##### 앙상블 분석

# 랜덤포레스트

library(randomForest)

idx<-sample(2, nrow(iris), replace=T, prob=c(0.7, 0.3))

train.data<-iris[idx==2,]

test.data<-iris[idx==1,]

r.f<-randomForest(Species~., data=train.data, ntree=100, proximity=T)

table(predict(r.f), train.data$Species)

plot(r.f)

varImpPlot(r.f)

# test data 예측

pre.rf<-predict(r.f, newdata=test.data)

table(pre.rf, test.data$Species)

plot(margin(r.f, test.data$Species))

# 성과분석

library(rpart)

library(party)

library(ROCR)

x<-kyphosis[sample(1:nrow(kyphosis), nrow(kyphosis), replace=F),]

x.train<-kyphosis[1:floor(nrow(x)*0.75),]

x.evaluate<-kyphosis[floor(nrow(x)*0.75):nrow(x),]

x.model<-cforest(Kyphosis~Age+Number+Start, data=x.train)

x.evaluate$prediction<-predict(x.model, newdata=x.evaluate)

x.evaluate$correct<-x.evaluate$prediction == x.evaluate$Kyphosis

print(paste("% of predicted classification correct"), mean(x.evaluate$correct))

x.evaluate$probabilities<-1-unlist(treeresponse(x.model, newdata=x.evaluate), 

                                   use.names=F)[seq(1, nrow(x.evaluate)*2, 2)]

pred<-prediction(x.evaluate$probabilities, x.evaluate$Kyphosis)

perf<-performance(pred, "tpr", "fpr")

plot(perf, main="ROC curve", colorize=T)

perf<-performance(pred, "lift", "rpp")

plot(perf, main="lift curve", colorize=T)

##### 로지스틱 회귀분석

b<-glm(Species~Sepal.Length, data=a, family=binomial)

summary(b)

아인슈타인, 다윈, 니체를 성공으로 이끈 2시간의 법칙

필기구와 노트만을 가지고 방안에 홀로 앉아 일과 삶에 대해 생각합니다. 2시간은 긴 시간이며, 때로 비생산적이 되기도 하고 어떨때는 체계적인 방식이 아닐때도 있지만 대체로 나는 다음과 같은 질문들을 생각하며 이 시간을 시작합니다.

– 나는 지금 나의 일에 열의를 가지고 있는가? 아니면 그저 목적없이 행동하는가?

– 나는 일과 인간관계 사이의 균형을 잡고 있는가?

– 어떻게 하면 내가 지금 하는 일을 더 효율적으로 만들 수 있을까?

– 내가 할 수 있으면서도 놓치고 있는 큰 기회가 있을까?

– 작은 일이지만 커다란 효과를 만들어낼 수 있는 일이 있을까?

– 앞으로 6개월 안에 어떤 불행한 일이 내게 일어날 수 있을까?

http://newspeppermint.com/2017/09/20/m-2hours/

##### 주성분분석 사례

library(datasets)

data(USArrests)

# 두 개 이상의 변수에 대해 모든 가능한 산점도를 그림

pairs(USArrests, panel=panel.smooth, main="USArrests data") 

US.prin<-princomp(USArrests, cor=T)

summary(US.prin)

# 주성분들에 의해 설명되는 변동의 비율

screeplot(US.prin, npcs=4, type="lines")

# 네 개의 변수가 각각 주성분 comp.1~4까지 기여하는 가중치

loadings(US.prin)

# comp.1~4의 선형식을 통해 각 지역별로 얻은 결과를 계산

US.prin$scores

biplot(US.prin)

##### 계량적MDS : cmdscale사례

library(MASS)

head(eurodist)

str(eurodist)

eurodist

# cmdscale() : 2차원으로 21개 도시들을 매핑

loc<-cmdscale(eurodist)

x<-loc[,1]

y<- -loc[,2] # 북쪽도시를 상단에 표시하기 위해 부호를 바꾼 것

plot(x, y, type="n", asp=1, main="Metric MDS") # asp=x축의 단위

text(x, y, rownames(loc), cex=0.7)

abline(v=0, h=0, lty=2, lwd=0.5) # v=x축; h=y축; lty=선타입; lwd=선굵기

##### 비계량적MDS : isoMDS와 sammon사례

library(MASS)

data(swiss)

swiss

head(swiss)

# iosMDS

swiss.x<-as.matrix(swiss[,-1])

swiss.dist<-dist(swiss.x) # 열과 데이터매트릭스간의 거리

swiss.mds<-isoMDS(swiss.dist) 

plot(swiss.mds$points, type="n")

text(swiss.mds$points, labels=as.character(1:nrow(swiss.x)))

abline(v=0, h=0, lty=2, lwd=0.5)

?isoMDS

# sammon

swiss.x<-as.matrix(swiss[,-1])

swiss.sammon<-sammon(dist(swiss.x))

plot(swiss.sammon$points, type="n")

text(swiss.sammon$points, labels=as.character(1:nrow(swiss.x)))

abline(v=0, h=0, lty=2, lwd=0.5)