Jay's Blog Jay's Blog

🖐️ 시작하며"Spotfire 한 번 써보고 싶은데 설치부터 막히네?""이거 그냥 Excel 같은 건가요?"이번 글에서는 TIBCO Spotfire를 처음 접하는 분들을 위해, 설치부터 실행 화면 구조까지 하나씩 정리해 드리겠습니다.Windows PC만 있으면 누구나 설치할 수 있습니다! (Mac은 Web Player 가능) 1) Spotfire 설치 방법 (2025년 최신 기준)💻 사양 요구사항 (기본)[최소 요구사항]운영체제Windows 10 이상 (64비트)RAM8GB 이상 권장저장공간약 2GB 여유 공간기타.NET Framework 4.7 이상 필요 (자동 설치됨) 📥 설치 절차 (무료 체험판 기준)✔️ Step 1. 사이트 접속 및 회원가입TIBCO Spotfire 공식 홈페이지상단 우측의..

※ 실무 중심의 데이터 분석 도구 Spotfire의 개념과 특징 정리해 보겠습니다.실제 제조업에 근무하면서 데이터 분석을 어떻게 하는지 궁금했는데, 많은 회사에서 BI Tool을 사용하고 있다는 것을 알게 되었습니다. 학생 때는, Python, R 등과 같은 분석 언어를 통해서 라이브러리를 활용했는데, 실무에서는 그렇게까지 시간투자(?)를 하는 것보다 더 단순하지만 파워풀한 기능을 가진 플랫폼을 원하고 있더라고요. 그래서 경험을 했던 Spotfire Tool에 대해서 전체적으로 정리하고자 합니다. 1. 왜 이런 도구가 필요할까?요즘은 데이터를 그냥 엑셀로 정리만 하는 게 아니라, 눈에 보이게 만들고, 한눈에 파악하고, 바로 의사결정에 쓸 수 있어야 해요.그래서 기업에서는 **BI 도구(Business I..

* RMS(Recipe Management System) : 생산설비 필수 기준정보인 Recipe를 효과적이고 체계적으로 관리하는 시스템, 회사의 생산 Recipe와 관련된 여러 관계 및 프로세스를 관리하는 Applicaiton/System입니다. Recipe 생성/수정/삭제 기능을 제공합니다. Recipe관리는 MES의 하나의 모듈 시스템으로 작용할 수도 있으며, 제조 산업에서는 설비(기계)들을 작동하고, 특정한 제조 방식/특정 비율로 재료나 원료를 결합하거나 원하는 완성품을 만들기 위해서 재료들을 처리하는 것을 담당합니다. Recipe? : 어떤 제품을 만들기 위한 설계도 같은 것 위의 블루 레몬에이드를 만든다고 할때, Blue Curaso,(30ml), Lemon juice(30ml), Mint l..

Beam Search Seq2Seq 같은 자연어 생성 모델에서 테스트 타임에서 좀 더 좋은 생성 결과를 얻을 수 있는 Beam Search라는 것이 있다. Sequence로서 전체적인 확률값을 보는 것이 아니라 현재 타임에서 가장 좋은 확률을 가지는 단어를 선택하는 Greedy Decoding 방식을 보통 따른다. 그러나 이런 Greedy Decoding 방식에서 만일 잘못된 예측을 한 경우에 뒤로 올아갈 수 없는 문제가 있다. 이를 어떻게 해결할까?? 입력되는 문장을 x라고 하고 출력되는 문장이 y라고 할때, 각각 x가 들어올때, 예측되는 첫번째 단어 y1.. y1과 x가 들어올때, 예측되는 y2단어의 확률 값을 곱하는 식으로 P(y|x) 라는 joint Probability, 동시사건에 대한 확률 분..

Seq2Seq with Attention 이 구조는 앞에 배운 여러 모델링 가운데, Many-To-Many 형태이다. 즉, 입력이 시퀀스이고 출력도 시퀀스이다. 입력을 모두 읽고 출력을 생성 혹은 예측을 하게 된다. 아래 구조에서 입력 문장을 읽어 들이는 부분을 Encoder라고 하고, 출력을 생성하는 부분을 Decoder라고 불린다. 서로 파라미터를 공유하는 것이 아니라는 것이 특징이다. Encoder 내부를 살펴보면 내부 Cell 형태는 LSTM 구조를 채용한 것을 알 수 있다. 이렇게 Encoder에서 진행된 마지막에 있는 ht 즉, hidden state vector는 Decoder 의 처음 State에 들어가는 h0 역할을 하게 된다. Decoder에 시작 토큰은 라는 토큰을 집어넣음으로 써 시..

이전 정리에서 더 진화한 Long Term Dependency를 고려한 모델들을 살펴본다. LSTM 구조 배경 : Long-Term Dependency 문제를 해결하고자 나왔다. RNN이 가진, 매 Time마다 바뀌는 hidden state를 단기기억을 담당하는 기억 소자로 본다. 이 단기 기억을 Sequence가 시간이 지나면서 보다 길게 기억할 수 있도록 나온것이다. 이전, RNN에서는 입력으로 (Xt, ht-1) 두개가 들어갔지만, LSTM에서는 (Xt, ht-1, Ct-1) 이렇게 3개가 들어간다. Ct-1 이것을 우리는 Cell State Vector라고 부르고, ht-1은 hidden state Vector를 의미한다. 그리고 output으로는 (Ct, ht) 두개를 내주게 된다. Ct 가 좀..

RNN Model 구조 시퀀스 데이터가 입력, 출력으로 주어진 상황에서 각 timestep의 t와 이전 t-1의 모듈에서 계산한 ht-1을 입력으로 받아 현재 timestep에서 ht를 출력으로 내어주는 구조이다. 왜 RNN 인가? → 동일한 파라미터를 가지는 A(Weight)를 공유한다, 이것이 반복적으로 등장하고 매 timestep에서 사용하기 때문에 Recurrent 식으로 들어가기 때문에 RNN이라고 불린다. 현재 hidden state(ht)가 다음 step에서 입력으로 들어가야하고, 이때 다음 step에서 입력값과 같이 계산이 되어 output이 결정이 되어야한다. (output의 개수는 Task 마다 다르다.) 좀더 구체적으로 정리해보자. 처음에는 이전 hidden state Vector인 ..

🗣 Introduction → NLP!! 학문 분야와 최근 발전 동향 [NLP 분야] NLU : 컴퓨터가 주어진 단어나 문장, 글을 이해하는 Understanding NLG : 자연어를 상황에 따라 적절히 생성하는 Generation 대표적인 학회 : ACL, EMNLP, NAACL 분야 Language Modeling : 현재 문장, 문단 일부로 다음 단어를 예측하는 모델 Machine Translation : 기계 번역 Question Answering : 질의 응답 Document Classification : 문서 분류 Diaglog Systems Etc. 1. Low-Level Parsing 어떠한 문장이 있을때, 각 단어들을 정보 단위로 생각할 수 있다. 여기서 이런 단어들을 토큰 이라고 부른..