Fresh life: 신선한 인생

오토/매크로 프로그램을 만드는 2가지 방법키 입력 자동화 기반 매크로 (간단한 방법)메모리 조작 기반 봇 (고급 방법) 1. 키 입력 자동화 기반 매크로이 방식은 게임 화면을 보면서 일정한 패턴대로 키 입력을 자동화하는 방식이야.이걸 만들려면 다음 기술을 공부하면 돼✅ Python과 OpenCV화면에서 몬스터, 체력바, UI 요소를 인식하려면 OpenCV를 사용해야 해.cv2.matchTemplate()을 활용해서 특정 이미지를 찾아낼 수 있어. 예제: 화면에서 몬스터 찾기import cv2import numpy as npscreenshot = cv2.imread("screenshot.png", 0)monster_template = cv2.imread("monster.png", 0)result = cv2..

비지도 학습(Unsupervised Learning)은 머신러닝의 주요한 분야 중 하나로, 입력 데이터에서 유용한 정보를 추출하거나 패턴을 찾아내지만, 명시적인 출력 레이블이나 정답 없이 학습을 수행하는 방법입니다. 비지도 학습의 핵심 목표 중 하나는 군집화(Clustering)입니다. 군집화(Clustering)의 개념 군집화는 비슷한 특성을 가진 데이터 포인트들을 그룹으로 묶는 과정입니다. 이러한 그룹을 클러스터(Cluster)라고 하며, 클러스터 내의 데이터 포인트는 서로 비슷하고, 다른 클러스터의 데이터 포인트와는 구별됩니다. 군집화는 데이터의 내재된 구조나 패턴을 발견하는 데 유용하며, 데이터 세트를 이해하고, 정리하며, 요약하는 데 도움을 줍니다. 비지도 학습에서 군집화의 역할 데이터 탐색 및..

필요한 라이브러리 가져오기: numpy: 수치 계산 라이브러리 pandas: 데이터 프레임 처리 라이브러리 seaborn: 데이터 시각화 라이브러리 sklearn.model_selection: 모델 선택 및 평가 관련 라이브러리 sklearn.svm: SVM 모델 sklearn.metrics: 모델 평가 지표 sklearn.preprocessing: 데이터 전처리 matplotlib.pyplot: 그래프 그리기 라이브러리 펭귄 데이터셋 로드: sns.load_dataset("penguins")를 사용하여 seaborn 라이브러리에서 기본 제공하는 펭귄 데이터셋을 로드합니다. 데이터 전처리: 결측치를 제거하고, LabelEncoder를 사용하여 'species' 열의 범주형 변수를 숫자로 인코딩합니다. 인..

오늘은 인공지능 알고리즘 중 지도 학습 중 분류 알고리즘에 속하는 SVM에 대하여 알아보자! 아래는 예제에 활용할 데이터이며, 아래는 펭귄의 종, 서식지, 부리의길이, 부리의 두께, 물갈퀴의 길이, 체중, 성별이 담겨져있다. 데이터 불러오기 import pandas as pd import numpy as np from matplotlib import pyplot as plt import seaborn as sns #펭귄 데이터 불러오기 df = pd.read_csv("파일의경로/penguins.csv") sns.violinplot(x="species", y="body_mass_g", hue="sex", data=df, split=True) 데이터 전처리 결측치가 몇 개인지 파악하고 dropna()로 제거..

전체 코드 및 해석 import streamlit as st st.text_input("Your name", key="name") #텍스트인풋을 통해 위젯을 화면에 출력합니다. st.session_state.name #매직 기능을 활용해 입력값을 출력합니다. session_state는 mutablemapping[str,any] 형태로 현재 session 상태값을 관리하는데, text_input을 통해 입력값을 session_state.key 형식으로 불러올 수 있습니다. 실행 결과 - text_input으로 원하는 입력값을 받아서 다른 함수에 입혀서 사용해보세요!

안녕하세요. 이번에는 코드별로 따로 설명을 하지 않고, 전체코드에 주석으로 설명을 대체하였습니다. 전체 코드& 해석 import streamlit as st import matplotlib.pyplot as plt import numpy as np import seaborn as sns def main(): with st.sidebar: st.header("sidebar") day = st.selectbox("select a day", ["Mon","Tue","Wed","Thu","Fri","Sat","Sun"]) #사이드 바를 만들고, 사이드바 헤더를 'sidebar'로 지정한다. #day에 셀렉트박스를 만들어서 요일을 넣어준다. tips = sns.load_dataset("tips") filtered..

해당 코드는 Streamlit을 사용하여 간단한 웹 애플리케이션을 만들고, Slider 위젯을 통해 가격을 선택하는 예제입니다. 코드를 블로그 작성용으로 해석하면 다음과 같습니다. Streamlit을 사용한 단순한 가격 선택 애플리케이션 import streamlit as st def main(): st.title("streamlit Button widget") price = st.slider("단가:",1000,10000,value=5000) st.write('가격은',price,'원입니다.') if __name__ == "__main__": main() 해석: 1. streamlit 라이브러리를 임포트합니다. 2. main 함수를 정의합니다. 3. st.title을 사용하여 웹 애플리케이션의 제목을 ..

해당 코드는 Streamlit과 Plotly를 사용하여 성별에 따른 팁(tip) 데이터를 시각화하는 간단한 웹 애플리케이션을 생성하는 코드입니다. 아래는 코드의 주요 부분을 단계별로 설명한 것입니다. 1. 라이브러리 임포트 import streamlit as st import seaborn as sns import plotly.graph_objects as go from plotly.subplots import make_subplots streamlit: Streamlit 웹 애플리케이션을 만드는 데 사용되는 라이브러리 seaborn: 시각화 라이브러리, 여기서는 샘플 데이터를 로드하기 위해 사용 plotly.graph_objects와 plotly.subplots: Plotly를 사용하여 인터랙티브한 차..

이 코드는 Streamlit을 사용하여 "tips" 데이터셋에서 얻은 통계 정보를 테이블과 st.metric을 사용하여 시각화하는 간단한 데이터 디스플레이 예제입니다. 코드를 세부적으로 살펴보겠습니다. 라이브러리 임포트: import streamlit as st import pandas as pd import seaborn as sns 필요한 라이브러리들을 임포트합니다. streamlit은 웹 애플리케이션을 만들기 위한 주요 라이브러리이고, pandas는 데이터프레임을 다루기 위한 라이브러리, seaborn은 시각화를 위한 라이브러리입니다. 데이터 캐싱을 위한 데코레이터 설정: def load_data(): df = sns.load_dataset("tips") return df @st.cache_data..

이 코드는 Streamlit을 사용하여 간단한 데이터 편집 및 분석 도구를 만드는 예제입니다. 코드를 세부적으로 살펴보겠습니다. 1. 라이브러리 임포트: import streamlit as st import pandas as pd 필요한 라이브러리들을 임포트합니다. streamlit은 웹 애플리케이션을 만들기 위한 주요 라이브러리이고, pandas는 데이터프레임을 다루기 위한 라이브러리입니다. 2. 데이터프레임 생성: df = pd.DataFrame( [ {"command": "st.selectbox", "rating": 4, "is_widget": True}, {"command": "st.balloons", "rating": 5, "is_widget": False}, {"command": "st.tim..