Eunbi

Time Series Forecasts 가정 : 과거의 history가 미래를 예측하는데 도움이 될 것이다. Time series data를 사용. Fluctuates About A Constant Mean. 평균 수치에 대한 fluctuation(요동)을 갖는다. Fluctuates And Has Increasing/Decreasing Trend. fluctuation과, 증가하는 현상을 갖는다. Fluctuates And Has "Seasnoal" Pattern. fluctuation과, 계절성을 갖는다. $A_t$ : period t에 대한 실제(Actual) 관측된 수요 $F_{t+1}$ : period t+1에 대해 예측된(Forecast) 수요. (period t까지의 실제 수요를 가지고 예측..

테마파크로 보는 수요예측(forecasting)의 중요성 몇 개의 놀이기구가 있어야할지, 각 놀이기구의 수용인원, 운행시간은 어떻게 해야할지. 놀이기구의 운영인원은 시간마다 몇 사람으로 배치할지. 테마파크의 음식점은 무엇이 있어야 하는지, 무슨 메뉴가 있어야 하는지. → 비즈니스의 가장 처음이 되는 부분. demand의 forecasting이 되어야 함. (수요예측). → 수요예측을 잘못하면 금전적 등의 많은 문제가 생김. 수요예측 기법 방법 특징 장단점 Qualitative(정성적) Subjective: 사람의 의견을 기반 전문가의 노하우가 담김. 하지만 경우에 따라 Over-estimate되거나 Under-estimate됨. Quantitative(정량적) Objective: numeric data,..

getattr(object, name) / getattr(object, name, default) python docs Return the value of the named attribute of object. (name must be a string.) object의 name으로 불리는 attribute값을 반환한다. (이때 name은 문자열) If the string is the name of one of the object’s attributes, the result is the value of that attribute. For example, getattr(x, 'foobar') is equivalent to x.foobar. object의 attribute로 'name&#..

에러문구 RuntimeError: GET was unable to find an engine to execute this computation 문제 상황 데이터로더(collate_fn 추가), 모델을 수정하고 학습시키려고 보니 오류가 발생했다. 가설1. (모델을 수정하면서) backward 과정에 문제가 발생했다. (inplace 등으로 인해) ⇒ 에러문구 + loss 로 검색해보고, inplace 로도 구글링해봤는데 괜찮은 검색결과가 나오지 않았다. 그리고 모델 수정하면서 구조가 더 간단해진거라 이왜틀..? 모델 파라미터에 영향을 미치지 않는 input parameter를 추가했는데, 이걸 잘못추가한 원인인가도 싶었음. 가설2. (데이터로더를 수정하면서) 배치사이즈에 해당하는 0번째 dimension이..