9.10 / X-BOOST / 부스트코스 / 코랩 실습 /

구글 코랩# https://colab.research.google.com/?hl=ko

?  VENV :  가상환경

[이두원 / DS1TQM] [오전 11:20] 파이썬 개발환경의 가상환경이 필요한 경우와 활용방법

[이두원 / DS1TQM] [오전 11:20] https://g.co/gemini/share/c1a9f044b3e2

# 필요한 라이브러리 설치 (최초 실행 시)

!pip install xgboost scikit-learn pandas matplotlib

# 라이브러리 불러오기

import xgboost as xgb

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

from sklearn.model_selection import train_test_split

from sklearn.metrics import accuracy_score

# 샘플 데이터 생성 (시험 성적과 합격 여부)

data = {

'공부 시간': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],

'수업 참여도': [5, 6, 7, 8, 8, 9, 10, 10, 10, 10],

'합격 여부': [0, 0, 0, 0, 1, 1, 1, 1, 1, 1] # 0: 불합격, 1: 합격

}

df = pd.DataFrame(data)

print(df)

# 입력 데이터(X)와 목표 값(y) 분리

X = df[['공부 시간', '수업 참여도']]

y = df['합격 여부']

# 데이터를 80% 학습(train), 20% 테스트(test)로 분리

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

print("훈련 데이터 크기:", X_train.shape, y_train.shape)

print("테스트 데이터 크기:", X_test.shape, y_test.shape)

# XGBoost 모델 생성 및 학습

model = xgb.XGBClassifier(n_estimators=100, learning_rate=0.1, max_depth=3, random_state=42)

model.fit(X_train, y_train)

# 예측 수행

y_pred = model.predict(X_test)

# 정확도 측정

accuracy = accuracy_score(y_test, y_pred)

print("XGBoost 모델 정확도:", accuracy)

xgb.plot_importance(model)

plt.show()

new_data = pd.DataFrame({'공부 시간': [4, 7], '수업 참여도': [7, 9]})

new_pred = model.predict(new_data)

print("\n|새로운 데이터 예측 결과:")

print(new_data)

print("예측된 합격 여부:", new_pred)

부스트코스- https://www.boostcourse.org/

# 무료강좌 - https://www.boostcourse.org/opencourse

# 코틀린 프로그램밍 - https://kotlinlang.org/    ///   https://namu.wiki/w/Kotlin

  X-BOOST- https://hwi-doc.tistory.com/entry/%EC%9D%B4%ED%95%B4%ED%95%98%EA%B3%A0-%EC%82%AC%EC%9A%A9%ED%95%98%EC%9E%90-XGBoost

SHA256- https://coding.tools/kr/sha256

https://chatgpt.com/share/68c0c2ec-3998-8010-b04b-b0149bf905e0

오버피팅, 언더피팅 비교 및 XGBoost와 Scikit-Learn 내용의 비교

=== 전력반도체 / AI반도체-전력반도체는 전력의 효율적인 변환, 분배, 제어를 담당하며, AI반도체는 AI 연산을 고성능으로 처리하는 핵심 반도체입니다. AI 반도체가 막대한 전력을 소모하며 전력 효율성 문제가 부각되면서, 두 기술은 상호 의존적인 관계에 있습니다. 전력반도체는 AI 시스템의 전력 효율을 높여주며, AI반도체 시장의 성장은 차세대 전력반도체(GaN, SiC)의 수요를 크게 증가시키고 있습니다. 

전력반도체

• 기능:

  전기기기의 전력을 변환, 저장, 분배, 제어하는 핵심 부품입니다. 
• 주요 용도:

  컴퓨터, 가전제품, 스마트그리드, 태양광 인버터, 전기차 등의 컨버터 및 인버터 등에 사용됩니다. 
• 최신 기술:

  기존의 실리콘(Si) 반도체보다 전력 손실이 적고 내구성이 우수한 질화갈륨(GaN)과 실리콘카바이드(SiC) 소재의 전력반도체가 각광받고 있습니다. 

AI반도체

• 기능: 대규모 AI 연산을 고성능으로 처리하는 반도체입니다. 
• 주요 용도: 데이터센터, 자율주행차, 스마트 디바이스, IoT 기기 등 다양한 분야에서 활용됩니다. 
• 과제: 높은 전력 소모로 인해 전기 요금 및 냉각 시스템 투자 비용 증가 문제가 발생하며, 전력 효율이 매우 중요해지고 있습니다. 

전력반도체와 AI반도체의 관계

• 상호 보완:

  AI반도체의 고성능 연산을 지원하기 위해서는 전력반도체의 효율적인 전력 관리가 필수적입니다. 
• AI 데이터센터의 영향:

  AI 기술의 확산으로 데이터센터의 전력 소비량이 급증하면서, 전력 효율이 높은 GaN, SiC 등 차세대 전력반도체 기술의 수요가 폭발적으로 증가하고 있습니다. 
• 미래 전망:

  전력반도체와 AI반도체는 4차 산업혁명의 핵심 기술로서, 전력 소모를 줄이고 효율성을 높이는 방향으로 함께 발전할 것으로 예상됩니다. 
• 
  

순서 /개념 /기본/ 구조/  파라미터 /GridSearchCV