이전 장에서 Docker를 이용하여 소스코드의 가상환경을 설정하고, 해당 간단한 웹 서비스를 실습하였습니다. 여러 컨테이너 간의 통신을 관리하거나 실행시 파라미터가 많거나 가변적인 경우에는 도커 명령어만으로 관리하기가 쉽지 않습니다. 주로 단일 호스트에서 컨테이너 오케스트레이션으로 사용하기 좋은 Docker Compose에 대해 소개하려고 합니다.

로컬에서 문제없이 동작하던 코드라고 하더라도, 설치된 라이브러리나 OS 버전에 따라 해당 소스코드가 동작하지 않을 수도 있습니다.

이번 편에서는 로컬과 서버의 환경이 상이한 경우에도 쉽게 배포가 가능한 Docker 도입기에 대해 소개하려고 합니다.

배포 프로세스는 개발 환경 혹은 로컬 환경에서 개발을 진행한 후, 테스트 결과에 이상이 없으면 서비스 서버에 코드에 반영하는 일련의 과정을 의미합니다.

여기서 중요한 문제는 “로컬에서 개발한 소스코드를 각 서버에 어떻게 적용시킬까?” 입니다

The one of the difference in NLP(Natural Langugage Processing) comparing to other tasks is the vector representation.

For example, RGB Image can be represented like $28 \times 28 \times 3$.

Then how about the text?

Can you represent the sentences like “I eat an apple”, “I ate an apple”?

In this post, i will introduce the way to represent word to embed into vector space.

Then, Sentence can be represented by the combination of words.

Assuming that we need to make a model considering sequential input like previous input can have an effect on next input. Then, Depending on the time and partial input, the output can be affected.

In this post i will introduce RNN that is powerful neural network to manage sequential data such as signal, text and time series data.

Hard things for very deep neural network is training without vanishing or exploding gradient.

One of solution to solve this problem is skip connection.

The idea is feeding an output of activation to the input of deeper layer.

With this idea we can build the trained neural network called ResNet even over 100 layers.

CNN is the most powerful neural network in computer vision.

Many application dealing with images can be used with CNN.

• Image classification
• Object detection
• Neural style transfer

What make the CNN different from neural network in computer vision?

Let’s see the reasons.

투자에서 유명한 격언 중 “계란을 한바구니에 담지말라.” 가 있다.

현대 포트폴리오 이론은 위의 격언처럼 투자에서 상관관계가 낮은 여러 종목으로 포트폴리오를 구성하면, 분산 투자 전보다 위험을 감소시킬 수 있다는 이론이다.

현대 포트폴리오 이론을 기반으로 투자 포트폴리오를 생성하고 평가하는 방법과 python 구현 코드에 대하여 소개하고자 한다.