잠토의 잠망경

bookgithub github main source from dlgo.ttt.ttttypes import Point from dlgo.ttt.ttttypes import Player from dlgo.ttt.tttboard import GameState from dlgo.ttt.tttboard import Move from dlgo.minmax.minmax import MinMaxAgent from six.moves import input COL_NAMES = 'ABC' def print_board(board)->None: print(' A B C') for row in (1, 2, 3): pieces = [] for col in (1, 2, 3): piece = board..

1차 coding github from dlgo.goboard_slow import Board from dlgo.goboard_slow import GameState from dlgo.gotypes import Player from dlgo.agent import naive import time from dlgo.utils import print_board, print_move, clear_screen def main(): board_size = 9 game = GameState.new_game(board_size) # 9*9가 만들어진다. bots = { Player.black : naive.RandomBot(), Player.white : naive.RandomBot() } while not game..

gotypes.py github import enum #tag::color[] class Player(enum.Enum): black = 1 white = 2 @property def other(self): return Player.black if self == Player.white else Player.white #end::color[] #tag::points[] from collections import namedtuple class Point(namedtuple('Point', 'row col')): def neighbors(self): return[ Point(self.row-1, self.col), # A A Point(self.row+1, self.col), # ..

summary print('-'*100) print(sp.cov(x, y, ddof=0)) print(sp.cov(x, y, ddof=1)) 공분산 과소하는 경우 N으로 나눠져있다. cov_sample = sum((x-mu_x)*(y-mu_y))/N print('{0:.3f}'.format(cov_sample)) #6.906 공분산 과소하는 경우 해결 N-1을 곱함 cov = sum((x-mu_x)*(y-mu_y))/(N-1) print('{0:.3f}'.format(cov)) # 7.673 full code github from pandas import DataFrame import pandas as pd import scipy as sp import numpy as np datas:DataFrame ..

3.2.6 교차분석표 구현하기 code cross = pd.pivot_table( data = datas, values = 'sales', aggfunc= 'sum', index = 'store', columns= 'color' ) print(cross) 결과 color blue red store asan 3 4 seoul 1 2 full code github from pandas import DataFrame import pandas as pd datas = pd.DataFrame({'store':['seoul', 'seoul', 'asan', 'asan'], 'color': ['blue', 'red', 'blue', 'red'], 'sales':[1, 2, 3, 4]}) print(datas.desc..

표본분산 특징 ① 분산을 과소추정 함 print('표본 분산: {}'.format(sp.sum((datas - mu)**2)/(len(datas)-0))) print('표본 분산: {}'.format(sp.var(datas, ddof=0))) 불편분산 특징 ① 분산을 과소추정 하지 않는다. ② 총길이(N)에서 1을 빼준다. print('불편 분산: {}'.format(sp.sum((datas - mu)**2)/(len(datas)-1))) print('불편 분산: {}'.format(sp.var(datas, ddof=1))) 표준편차 특징 ① 제곱을 없엤다. why? 계산하는데 복잡하다. print('표준 편차: {}'.format(sp.sqrt(sp.sum((datas - mu) ** 2) / (len..

표준화 평균: 0, 표준편차: 1 로 만드는 것 방법 대상 방법 평균 Data 값들 - 평균 표준편차 Data 값들 / 표준 편차 full code github def sample_standardzation01(): import numpy as np import scipy as sp datas = np.asarray([2, 3, 3, 4, 4, 4, 4, 5, 5, 6]) # Datas mu = sp.mean(datas) # 평균 print('-'*100) print(datas) print(mu) # 변환 print(datas-mu) print(sp.mean(datas - mu)) print('-'*100) sigma = sp.std(datas, ddof=1) print(sigma) print(datas..

Github github 준비 import numpy as np import scipy as sp max, min 다른데서도 다 쓰는거 scipy에도 해당 함수가 있어서 써본다. # 최댓 값 print(sp.amax([2,3,3,4,4,4,4,5,5,6])) # 6 print('-'*100) # 최솟 값 print(sp.amin([2,3,3,4,4,4,4,5,5,6])) # 2 평균 평균에 이상치 Data가 있는 경우 평균이 무너지게 된다. 여기서 이상치 Data는 100 이다. print(sp.mean([1, 2, 3, 4, 5])) # 3.0 print(sp.mean([2, 3, 3, 4, 4, 4, 4, 5, 5, 6])) # 4.0 print(sp.mean([2,3,3,4,4,4,4,5,5,100..