항목k3sk8s설치 크기작음 (약 40MB)공식 문서에는 100MB 미만이라고 안내하고 있음큼 (500MB 이상)아키텍처여러 컴포넌트가 단일 바이너리로 통합되어 있음 (때문에 설치가 간편)각 컴포넌트가 별도로 실행필요 자원적은 메모리 및 CPU 요구사항최소 512MB RAM최소 1 CPU높은 메모리 및 CPU 요구사항최소 2GB RAM최소 2 CPU노드 제한최대 500개 노드까지 무료5000개 이상 노드 지원특징경량화 버전으로 IoT, 엣지 컴퓨팅 등에 적합단일 바이너리 배포자동화된 TLS 관리대규모 엔터프라이즈 및 클러스터에 적합복잡한 배포 구조수동 TLS 구성 필요배포 방식서버 및 에이전트 모드 사용마스터, 워커, API 서버 등 다중 구성 요소로 배포됨보안k8s와 비슷하지만 일부 보안 기능 제한됨기..

Go vs Python 입출력 철학Go: 컴파일 언어. 성능과 효율성 중시.I/O 작업은 바이트 스트림(Byte Stream) 중심.io, os, bufio 같은 패키지로 저수준 처리 지원.Python: 인터프리터 언어. 개발 편의성에 초점.텍스트 스트림(Text Stream) 중심으로 작업.문자열 입출력 위주로, 내부에서 바이트 스트림은 알아서 처리.Byte Stream vs Text Stream바이트 스트림: 데이터의 원시 형태. (Go)네트워크 통신, 파일 I/O에서 많이 사용.사람이 읽으려면 추가 변환 필요.텍스트 스트림: 사람이 읽기 쉬운 문자 단위 데이터. (Python)읽기 쉽고 편리하지만, 성능은 조금 손해.Go의 I/O 주요 패키지io 패키지os 패키지bufio 패키지 버퍼(Buffer)..

변수 : 값을 저장하는 메모리 공간을 가리키는 이름 변수가 왜 중요한가?프로그램이 하는 모든 것은 결국 데이터를 연산/조작 하는 일,이 때 Code 가 메모리 공간에 저장된 데이터에 접근하기 위한 도구가 "변수"변수의 4가지 속성 : 이름, 값, 주소, 타입 Golang 에서 지원하는 변수 선언 방식 4가지// 기본 변수 할당 방식var a int = 1// 기본값 생략, int의 경우 기본값 0으로 설정되고 string의 경우 ""으로 설정됨var a int// type 생략 -> 반드시 초기값 설정 해줘야 함var a = 1// 선언 대입문 -> var, type 둘 다 생략 가능a := 1 타입별 기본값타입기본값모든 정수 타입(int8, int16, int32, int64, uint8, uint16..

팀 구성 및 주제선정 현재 두 주제에 대한 논의를 진행하고 있습니다. 첫 번째 주제는 "운동영상 기반의 운동 분류 및 정확도 카운팅 서비스 개발"로, 운동 동작을 정확하게 분류하고 카운트하는 서비스를 제공하는 것을 목표로 하고 있습니다. 두 번째 주제는 "교통사고 과실비율 예측모델 개발 및 서비스 구축"으로, 교통사고의 과실 비율을 예측하고 관련 서비스를 제공하는 모델을 개발하고자 합니다. 어떤 주제로 최종 결정할지에 대한 논의가 진행 중입니다. 팀명 : AIng 팀장 : 최익제 팀원 : 고채연 김헌수 문정민 유희정 전승권 프로젝트 주제 운동영상 기반, 운동 분류 및 정확도를 기준으로 카운팅 서비스 개발 교통사고 과실비율 예측모델 개발 및 서비스 구축 프로젝트 주제 설명 실시간으로 사용자의 운동 종류(E..

이번 한 주를 보내며 이번 주는 OpenCV (오픈소스 기반의 Computer Vision 및 이미지처리 라이브러리) 에 대해 배우기 전, 간단하게 지금까지 배운 머신러닝 모델들에 대해 복습한 한 주였습니다. 선형 문제를 풀기에 적합한 모델이었던 SVM(Support Vector Machine)을 사용해 선형으로는 풀 수 없는 복잡한 문제를 해결하는 방법, 반대로 PCA(주성분분석)을 사용한 차원축소 기법을 이미지 데이터에 적용해보고, 다시 축소된 데이터를 복구하는 방법을 배웠는데 이전에 배운 내용이었음에도, 새롭게 와닿는 내용들이 많았고, 그때는 쉽게 이해하지 못했던 어려운 내용들, 와닿지 않았던 것들을 이해할 수 있게 된 뜻깊은 한 주였습니다. 저번 주보다 발전한 나 1. 저번 주 개설한 블로그, 꾸..

PCA(Principal Component Analysis) 데이터의 차원을 축소하는 기법으로, 데이터에 내재된 주요 정보를 유지하면서 새로운 변수(주성분)을 생성하는 방법입니다. 주성분은 데이터의 분산을 가장 많이 설명하는 방향을 나타내며, 이를 통해 원래 데이터의 주요 특성을 잘 보존할 수 있습니다. PCA는 두가지 관점으로 이해할 수 있습니다. 더보기 매트릭스 행렬분해 PCA는 행렬분해의 한 형태로 볼 수 있습니다. 원래 데이터 행렬 X를 주성분으로 구성된 행렬과 그에 해당하는 계수 행렬로 분해하는 방법입니다. 이때, 주성분으로 구성된 행렬은 데이터의 고유벡터를 열로 가지며, 계수 행렬은 데이터를 주성분으로 표현하는 계수(가중치)를 담고 있습니다. 행렬분해를 통해 데이터의 주요 특성을 표현하는 새로..