기본 콘텐츠로 건너뛰기

Git

git init : git 저장소 생성

git add : git 대기 영역에 변경사항을 추가

    파일/경로 : git 대기 영역에 파일이나 경로의 변경사항을 추가

    . : git 대기 영역에 현재 경로의 모든 변경사항을 추가

    -a : git 대기 영역에 모든 모든 변경사항을 추가

    -p : git 대기 영역에 변경사항을 각각 편집

git commit : git 대기 영역의 내용을 git 저장소에 저장

    -m "문장" : git 대기 영역의 내용을 git 저장소에 저장하고 문장을 기록

git status : git 저장소의 내용을 확인

git remote : git 원격 저장소 연결

    add 이름 주소 : git 원격 저장소의 주소로 연결하고 별칭은 이름으로 설정

    -v : git 원격 저장소의 모든 이름과 주소

    rename 원래이름 바꿀이름: git 원격 저장소의 원래이름을 바꿀이름으로 변경

    rm 이름 : git 원격 저장소 '이름'을 삭제

git push : git 저장소에 있는 내용을 git 원격 저장소에 저장

    이름 이름2: git 원격 저장소 '이름'에 분기 '이름2'를 저장

git branch : git 저장소의 분기

    -d 이름 : git 저장소의 이름 분기 삭제

git checkout : git 저장소의 분기 변경

    -b 이름 : 이름 분기를 생성 후 이름 분기로 이동

git put : git 원격 저장소의 내용을 git 저장소에 저장

git clone : git 원격 저장소의 내용을 저장

git merg : git 저장소의 분기 병합

git fetch : git 원격 저장소의 내용을 

git log : git 저장소의 기록

    -n 숫자: git 저장소의 기록을 숫자 개 보기

git grep : git 저장소의 내용 검색

git reset : git 저장소의 내용을 초기화

git stash : git 저장소에 임시 저장


git init // 현재 경로의 git 저장소 생성

git add file // file의 변경사항을 git 대기 영역에 추가한다.

git commit -m "add file" // 대기 영역의 내용을 git 저장소에 저장한다.

git status // 반영 되어있는지 확인한다.

git remote add origin https://github.com/username/repository // https://github.com/username/repository주소의 원격 저장소를 origin이라는 이름으로 추가한다.

git push origin master // origin 원격 저장소에 master분기가 git 저장소에 있는 내용을 저장한다.

git branch // 현재 분기 목록을 확인한다.

git branch branch1 // branch1이라는 분기를 만든다.

git checkout branch1 // branch1 분기로 이동한다.

git push origin branch1 // branch1 분기가 git 저장소의 내용을 origin 원격 저장소에 저장한다.

git pull // 현재 분기(branch1)의 내용을 git 저장소에 저장한다.

git config --global user.name 이름 // 이름 저장

git config --global user.email 이메일 // 이메일 저장

git config --global credential.helper cache // 15분간 비밀번호 저장

git config credential. helper 'cache --timeout=300' // 비밀번호 저장 시간 연장

git config credential.helper store // 아이디와 비밀번호 저장

이 블로그의 인기 게시물

Blogger

코드 하이라이트 사이트 http://hilite.me/ 코드 <!-- 나만의 공간 --> <style id='daru_css' type='text/css'> .code {      overflow: auto;      height: 200px;      background-color: rgb(239,239,239);      border-radius: 10px;      padding: 5px 10px; } .code::-webkit-scrollbar-thumb {      background-color: grey;      border: 1px solid transparent;      border-radius: 10px;      background-clip: padding-box;   } .code::-webkit-scrollbar {      width: 15px; } </style> <!-- 나만의 공간 -->

Python 인공신경망 추천 시스템(회귀)

예제 # 인공신경망을 이용한 추천 시스템 # - 순차형(Sequential) 신경망 생성법 # - 함수형(Functional) 신경망 생성법 # - 지금까지 나온 추천 방식 중에서 가장 좋은 성능 # - Regression 방식으로 분석가능 # - 영화의 평점 정보(userid, movieid, rating) # - 이용자는 영화에 대한 취향이 모두 다르다 # - 영화는 다양한 장르가 혼합되어 있다 # - 이용자는 자신의 취향에 맞는 영화에 높은 rating을 제시함 # - 어떤 이용자에게 어떤 장르의 영화를 추천할 것인가? # __call__() 함수를 가진 클래스는 파이썬 함수 callable(클래스)를 사용하면 True를 반환한다 from tensorflow.keras.models import Sequential, Model from tensorflow.keras.layers import Dense, Embedding, Input input = Input(shape=(1,)) # 함수형 신경망 생성법 hidden1 = Dense(2, activation='relu')(input) # Dense(2, activation='relu')__call__() hidden2 = Dense(2, activation='relu')(hidden1) # callable.object callable(Dense) # __call__ 함수가 있으면 True, 없으면 False # Using Functional API from keras.models import Sequential from keras.layers import * model = Sequential() model.add(Input(shape=(3,))) # Input tensor model.add(Dense(4)) # hidden layer 1 model.add(Dense(units=4)) # hidden layer 2 model.add(Dense(units=1)) # ou...

Python Sklearn make_blobs

from sklearn.datasets import make_blobs 예제 X, y = make_blobs(n_samples=500, centers=3, n_features=2, random_state=0) # 500개의 점을 3개로 모이게 한다, 변수는 2개, 무작위 상태는 0 X.shape, y.shape # ((500, 2), (500,)) plt.scatter(X[:,0],X[:,1],c=y,s=5) plt.show() # 학습 데이터 나누기 from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=.25, random_state=0) x_train.shape, x_test.shape, y_train.shape, y_test.shape # ((375, 2), (125, 2), (375,), (125,)) # 지도 학습 하기 from sklearn.linear_model import LogisticRegression logisticReg = LogisticRegression(max_iter=5000) # 기본 반복 100 logisticReg.fit(x_train, y_train) # 추정하기 pred = logisticReg.predict(X) # 결정계수 logisticReg.score(x_test, y_test) # 0.92 # 한글 깨짐 없이 나오게 설정 from matplotlib import rcParams # 인코딩 폰트 설정 rcParams['font.family'] = 'New Gulim' rcParams['font.size'] = 10 # 산점도 plt.figure(figsize=(10,4)) plt.subplot(1,2, 1) plt.scatter(X[:,0],X[:,1],c=y) plt.title('정답') plt.su...