자바스크립트

• 객체 기반의 스크립트 언어
• 사용자와 다양한 상호작용!
• (초기)웹 브라우저뿐만 아니라 Node.js(서버, 백엔드 프로그램)를 통해 다양한 프로그래밍에 응용

• 언어의 범위가 시대가 지날수록 커짐

• 자바애플릿, Mocha 등  Javascript 로
• 표준안으로 채택되면서 표준화됨(ECMAScript)
• Ajax(화면을 깜빡이지 않고 새로운 데이터로 이동하거나 나타내는 효과)의 출현으로 웹 개발에 필수적인 프로그래밍 언어로 사용하게 됨

자바스크립트 원리

1. 웹브라우저에서 사이트 접속
2. 지정 서버로 요청
3. 서버에서 알맞은 적절한 HTML CSS(데이터를 나타내는 표현 언어) JS(로직을 나타내는 언어, 프로그래밍 언어)등을 보냄
4. 웹브라우저는 이를 해석해서 화면에 그림(해석하는 인터프리터가 JS에 내장됨)

자바스크립트 자료형(Data Type)

• 자료형 : 프로그래밍 언어가 다룰 수 있는 데이터의 형태 의미
• 원시형태(Primitive) : 숫자, 문자열, 불리언, undefined(정의되지 않음), null
• 객체형태(Object) : 시간(Date), 배열(Array), 객체(Object) 등  자바스크립트는 객체 기반의 언어. 복잡한 구조, 함수의 구조 등은 객체로 이루어져 있어서 중요함

리티럴(Literal) 선언

코드 상에서 값을 직접 명시에서 선언하거나 할당하는 것으로 자료형에 따라 리터럴 선언 문법이 다름

• “” : 문자열 선언
• 일반 숫자 : 숫자열 선언

원시 자료형

• Number : 정수, 실수 등
• String : “” 문자들의 나열(문자의 series)
• Boolean : 참/거짓 true, false  논리를 나타내는 자료형
• Undefined : 값이 정해지지 않았다는 것을 표현
• Null : 아무것도 없음을 표현하는 자료형(0도 아닌 void한 개념)

변수

• 프로그램은 다양한 조건과 환경에 따라 달라지는 값을 입력 받아 정해진 동작을 수행
• 약어인 ‘var’ 키워드와 변수의 이름을 선언
  • Var x;
• 변수의 값을 할당/대입 : 선언된 변수명에 대입 연산자 =를 사용해 값을 대입
  • X = 40; or x = ‘철수’;
  • Var x = 40; -> 선언과 동시에 대입 가능
  • Undefined? -> var x; (아무것도 선언되지 않고 결정되지 않은 상태)
• 변수 이름 규칙
  • 하이픈(-) 사용 불가
  • 첫 글자로 숫자 사용 불가
  • 띄어쓰기 사용 불가
  • 자바스크립트 예약어 사용 불가(if, while, var.. 등)
• 산술 연산자
  • 덧셈 : +, ++(단항연산)
  • 뺄셈 : -, --(단항연산)
  • 곱셈 : *
  • 나눗셈 : /
  • 나머지 : %
  • 복합 연산 형태 : +=, -=, *=, /=

실습 : 사칙연산과 변수 다루기 (3-4)

• 주요 명령어
• console.log(출력할 데이터 변수나 값) ; 자주 쓰이므로 기억할 것 - 개발자용
• alert(내용) ; 사용자에게 안내장을 띄우는 용도
• prompt(내용) ; 안내장에 값을 입력할 수 있는 대화창을 띄움

<script>

    console.log('안녕하세요'); // 개발자용 
    //alert('안녕하십니까?'); // 사용자에게 안내장을 보여주는 용도
    //prompt('입력하는 용도!'); // 입력값을 받는 안내장

    var printMessage = '계산 결과는?';
    var number = 10;
    var number2 = 5;
    var numberFloat = 0.45;

    var result; // undefined 변수

    // 각 변수 값을 출력
    console.log('각 변수 안의 값들 출력');
    console.log(number);
    console.log(number2);
    console.log(numberFloat);

    console.log(result);

    /* 주석(여러
    줄 가능) */
    // 주석(한줄 가능)

    // 사칙 연산
    console.log('사칙연산,' + printMessage);
    result = number + numberFloat;
    console.log(result);
    console.log(number + numberFloat);
    console.log(printMessage);
    console.log(number - numberFloat);
    console.log(number * number2);
    console.log(number / number2);

    // 사칙 연산의 단순한 연산으로는 변수 값이 바뀌지 않음
    console.log('변수 값 변화 확인,' + printMessage);
    console.log(number);
    console.log(number2);
    console.log(numberFloat);

    // 변환 되었음
    console.log(printMessage);
    console.log(result);

    // 복합연산 : 사칙 연산 가능
    console.log('복합연산,' + printMessage);
    numberFloat += number;
    console.log(numberFloat);

    // 단항연산 : 덧셈과 뺄셈만 가능
    number ++; // number = number + 1 과 같음
    console.log(number);
    number --;
    console.log(number);

    console.log("나머지 연산, " + printMessage);
    console.log(number2 % number);
    console.log(number % number2);
</script>

• 콘솔 캡쳐

값을 비교하기(3-5)

비교 연산자 : 참 또는 거짓이 결과 값으로 나옴

• 동등 == (값이 같은 것)
• 부등 !=
• 일치 === (데이터타입까지 같은 것)
• >, >=, <, <=

논리 연산자 : 참 또는 거짓(Boolean)을 연산함. 비교문을 조합해 복잡한 조건문을 만듦

• AND : &&
• OR : ||
• NOT : !

이항 연산자

• 좌변 / 우변 으로 나뉨

기타 연산자

• 삼항 연산자 : 세개의 항을 씀 (명제) ? 참일경우 리턴값; 거짓일 경우 리턴값;
• 단항 연산자(delete, typeof)
• 비트 연산자(&, |, ^, ~, <<, >>, >>>) : 이진수 연산할 때 사용

조건문 사용하기(3-6)

• 조건의 참/거짓 여부에 따라 원하는 코드를 실행
• 비교연산자나 논리연산자의 조합으로 작성할 수 있음

1. if문
2. switch문
3. 삼항 연산자

1. if문

   if (조건식) {
    실행코드
   }else if (조건식) {
    실행코드
   }else{
    실행코드
   }

• 조건식 : 비교식 논리식 함수(리턴값이 boolean인)
• {} : codeblcok
• 조건 내의 실행 구문(블록)이 한줄 코드라면 중괄호 생략이 가능

2. switch문

   switch(표현식){
   case 값1:
    표현식 ==값1 일때 실행코드
    break;
   case 값2:
    표현식 ==값2 일때 실행코드
    break;
   default:
    모든 조건에 속하지 않을 때의 실행 코드

실습 : 퀴즈게임 만들기 (3-7)

<script>
    var solution = 10;
    var input = prompt('수를 맞춰주세요');


    // 중첩문

    if (input > solution + 2) {
        alert('해답이 당신이 입력한 값보다 더 작습니다.')
    }else if (input < solution - 2){
        alert('해답이 당신이 입력한 값보다 더 큽니다')
    }else {
        // 8~12 사이의 값
        if(input == solution){
            alert('정답입니다!')
        }  else{
            // 8 9 11 12
            alert('정답과 가깝습니다!')
        }
    }


    // switch의 경우

    var gender = prompt('성별을 입력해주세요.');
    switch(gender){
        case '여자':
            alert('Female');
            break;
        case '남자':
            alert('male');
            break;
        case '기타':
            alert('Other');
            break;
        default:
            alert('남자, 여자, 기타 중 하나를 입력해주세요.');
    }
</script>

반복문 사용하기(3-8)

1. for 문

• 조건식을 만족하는 한 계속해서 코드 반복.
• 매 반복 실행(iteration)마다 마지막에 증감식을 실행

for(초기식;중간식;증감식){ 반복 실행될 코드 }

2. while 문

• 조건식을 만족하는 한 계속해서 코드를 반복 실행함(무한 루프 주의)

실습 : 피보나치 수열 출력하기 (3-9)

• for문 활용

  <script>
    /// 1 1 2 3 5 8 13 21
    // 수열 n = 수열n-2번째 + 수열 n-1 번째
  
    var n_2 = 1;
    var n_1 = 1;
  
    console.log(n_2);
    console.log(n_1);
  
    for (var i = 0; i < 100 ; i ++){
        var n = n_2 + n_1;
        console.log(n);
        n_2 = n_1;
        n_1 = n;
    }
  </script>

• 결과 (console창)

• while문 활용

  <script>
    /// 1 1 2 3 5 8 13 21
    // 수열 n = 수열n-2번째 + 수열 n-1 번째
  
    // 100회차 까지만 출력
    var n_2 = 1;
    var n_1 = 1;
  
    console.log(n_2);
    console.log(n_1);
  
    var i = 0;
    while (n_1 < 10000) {
        var n = n_2 + n_1;
        console.log(n);
        n_2 = n_1;
        n_1 = n;
    }
  </script>

• 결과(console창)

-> for문과 달리 n_1이 10000을 넘는 순간 반복이 정지됨

배열 사용하기

객체 사용하기

실습 : 설문조사 만들기

함수 선언하기

• 머신러닝 지도학습의 회귀(regression)

• Neural Network 사용

• 라이브러리 '텐서플로우' 의 종류

  • TensorFlow Python
  • TensorFlow JavaScript

  • Web browser

  • Node.js 에서 사용할 수 있음

1. 지도학습의 작업순서

1. 과거의 데이터를 준비한다.
2. 모델의 모양을 만든다.
3. 데이터로 모델을 학습(FIT)한다.
4. 모델을 이용한다.

2. 모델

1. 남이 만든 모델 이용하기
2. 기존 모델 다시 학습시키기
3. 자바스크립트로 직접 ML 개발하기

a. 남이 만든 모델 이용하기

https://www.tensorflow.org/js?hl=ko

<!DOCTYPE html>
<html>
    <body>
        <!-- Load TensorFlow.js. This is required to use MobileNet. -->
        /* 텐서플로우 라이브러리를 로딩하는 코드 */
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@1.0.1"> </script>
<!-- Load the MobileNet model. -->
<script src="https://cdn.jsdelivr.net/npm/@tensorflow-models/mobilenet@1.0.0"> </script>

<!-- Replace this with your image. Make sure CORS settings allow reading the image! -->
<img id="img" src="cat.jpg"></img>

<!-- Place your code in the script tag below. You can also use an external .js file -->
<script>
  // Notice there is no 'import' statement. 'mobilenet' and 'tf' is
  // available on the index-page because of the script tag above.

  // 이미지 태그를 img 태그 담기
  const img = document.getElementById('img');

  // Load the model. Load 함수 호출
  mobilenet.load().then(model => {
    // Classify the image. img 태그를 classify 함수로 학습
    model.classify(img).then(predictions => {
      console.log('Predictions: ');
      console.log(predictions);
    });
  });
</script>
    </body>
</html>

b. 내가 만든 모델 이용하기

1. Tensorflow.js 웹 브라우저 스크립트 태그 복사 https://www.tensorflow.org/js/tutorials/setup?hl=ko#%EC%8A%A4%ED%81%AC%EB%A6%BD%ED%8A%B8_%ED%83%9C%EA%B7%B8%EB%A5%BC_%ED%86%B5%ED%95%9C_%EC%82%AC%EC%9A%A9%EB%B2%95 <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@2.0.0/dist/tf.min.js"></script>

2. 에디터에 html 파일 생성

3. 태그 안에 복사-붙여넣기

4. 5.3.html

   <!DOCTYPE html>
   <html>
   

<!-- Import TensorFlow.js -->
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@1.0.0/dist/tf.min.js"></script>

<html>
<head>
    <!-- 버전에 따라서 예제가 동작하지 않는 경우가 있습니다. 아래 버전을 권장합니다. -->
    <script src="https://cdn.jsdelivr.net/npm/danfojs@0.1.2/dist/index.min.js"></script>
    <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@2.4.0/dist/tf.min.js"></script>
    <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs-vis"></script>
</head>
<body>
<script>

// 여기서 dfd는 danfo.js의 모듈의 이름  
dfd.read_csv('https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/iris.csv').then(function(data){
        console.log(data); // 데이터에 무엇이 들어있는지 확인
        data.print(); // 표로 출력할 수 있는 기능 
        독립변수 = data.loc({columns:['꽃잎길이','꽃잎폭','꽃받침길이','꽃받침폭']});

        독립변수.print();
        var encoder = new dfd.OneHotEncoder(); // 원핫인코딩 제공!!!!
        종속변수 = encoder.fit(data['품종']); // 품종 column의 정보를 원핫인코딩함
        data['품종'].print();
        종속변수.print(); // 원핫인코딩한 결과 표로 출력

        var X = tf.input({ shape: [4]}); // 4개의 입력
        var H = tf.layers.dense({ units: 4, activation:'relu'}).apply(X);

        var Y = tf.layers.dense({ units: 3}).apply(H); // 출력층, 원핫인코딩으로 컬럼이 3개가 되었으므로 '3'
        var Y = tf.layers.dense({ units: 3, activation:'softmax'}).apply(H);

        model = tf.model({ inputs: X, outputs: Y }); // 모델 제작

        var compileParam = { optimizer: tf.train.adam(), loss: tf.losses.meanSquaredError, metrics:['accuracy'] } // 회귀
        var compileParam = { optimizer: tf.train.adam(), loss: 'categoricalCrossentropy'} // 분류

        model.compile(compileParam);

        tfvis.show.modelSummary({name:'요약', tab:'모델'}, model);

    //     // 3. 데이터로 모델을 학습시킵니다. 
        _history = [];
        var fitParam = { 
          epochs: 100, // 100번 학습
          callbacks:{
            onEpochEnd: // 학습 상태 확인
              function(epoch, logs){ 
                console.log('epoch', epoch, logs, 'RMSE=>', Math.sqrt(logs.loss));
                _history.push(logs); // 보기 좋게 그래프로 표시
                tfvis.show.history({name:'loss', tab:'역사'}, _history, ['loss']);
                tfvis.show.history({name:'accuracy', tab:'역사'}, _history, ['acc']); // 정확도에 대한 그래프 표현
              }
          }
        } 

        model.fit(독립변수.tensor, 종속변수.tensor, fitParam).then(function (result) { // danfo에서 제공하는 tensor로 DataFrame 사용 
            // 4. 모델을 이용합니다. 
            // 4.1 기존의 데이터를 이용
            예측한결과 = new dfd.DataFrame(model.predict(독립변수.tensor)); //danfo.js의 DataFrame으로 가져옴
            예측한결과.print();
            종속변수.print();

        });  
    })
</script>
</body>
</html>

3. 분류스러운 학습

• 컴퓨터에서는 확률을 0과 1 사이의 숫자로 바꿔야 사용하기 쉬움
• 어떻게? softmax라는 activationFunction을 사용해서 바꿈
• 분류에서는 MSE가 아닌 loss로 categoricalCrossentropy를 사용함
• accuracy는 0~1 사이의 값. 1에 가까울 수록 높은 정확도를 가짐

Tensorflow w/ python

오리엔테이션

• 머신 러닝 중 지도 학습 : 회귀(숫자), 분류(종류)

• 머신 러닝 알고리즘 예

  • Decision Tree
  • RandomForest
  • KNN
  • SVM
  • Neural Network

• *인공신경망 = 딥러닝 *

• 인공신경망을 깊게 쌓아서 만든 기계라는 뜻

• 인간의 신경을 모방한 이론

• 딥러닝 이론을 코딩으로 이용할 수 있도록 하는 라이브러리 예시
  • 텐서 플로우
  • PyTorch
  • Caffe2
  • Theano

지도학습의 빅피처

• 지도 학습의 과정

1. 과거의 데이터를 준비
2. 원인(독립변수)과 결과(종속변수)를 인식함 (중요!)
3. 모델의 구조를 만듦
4. 데이터로 모델을 학습(FIT) 한다 : 모델을 데이터에 맞게 피팅(FITTING) 한다.
5. 모델 완성! 이용하기

판다스 : 표를 다루는 도구

import pandas as pd

# 파일들로부터 데이터 읽어오기
파일경로 = 'https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/lemonade.csv'
레몬에이드 = pd.read_csv(파일경로)

파일경로 = 'https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/boston.csv'
보스턴 = pd.read_csv(파일경로)

파일경로 = 'https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/iris.csv'
아이리스 = pd.read_csv(파일경로)

# 변수 안에 어떤 데이터가 들어있는지 확인 - 데이터 모양으로 확인하기 (행,열)
print(레몬에이드.shape)
print(보스턴.shape)
print(아이리스.shape)

# 칼럼 이름 출력
print(레몬에이드.columns)
print(보스턴.columns)
print(아이리스.columns)

# 독립변수와 종속변수를 분리하여 저장
x = 레몬에이드[['온도']]
y = 레몬에이드[['판매량']]
print(x.shape, y.shape)

x = 보스턴[['crim', 'zn', 'indus', 'chas', 'nox', 'rm', 'age', 'dis', 'rad', 'tax',
       'ptratio', 'b', 'lstat']]
y = 보스턴[['medv']]
print(x.shape, y.shape)

x = 아이리스[['꽃잎길이', '꽃잎폭', '꽃받침길이', '꽃받침폭']]
y = 아이리스[['품종']]
print(x.shape, y.shape)

레몬에이드.head()

보스턴.head()

아이리스.head()

딥러닝 실습

첫번째. 레몬에이드 판매 예측

• shape=[숫자] : 독립변수의 개수
• Dense(숫자) : 종속변수의 개수
• epochs : 전체 데이터를 몇번 반복하여 학습 시킬지를 정함

• Loss 손실

model.fit(독립, 종속, epochs = 10)

• 몇번째 반복인지 / 각 학습마다 얼마의 시간이 걸렸는지 / 학습이 얼마나 진행되었는지(loss)
• 그 시점에 얼마나 정답에 가까이 맞추는 정도가 높아짐
• (예측-결과=Error)^2 의 평균 = LOSS : 즉 0이 되면 예측 = 결과 이므로 학습이 완벽하게 된 모델이라고 할 수 있음

** 코드 **

#라이브러리 사용
import tensorflow as tf
import pandas as pd


#데이터 준비
파일경로 = 'https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/lemonade.csv'
data = pd.read_csv(파일경로)
data.head()

# 종속변수, 독립변수
x = data[['온도']]
y = data[['판매량']]
print(x.shape, y.shape)

#모델 만들기
X = tf.keras.layers.Input(shape=[1])
Y = tf.keras.layers.Dense(1)(X)
model = tf.keras.models.Model(X, Y)
model.compile(loss='mse')

#모델 학습
model.fit(x, y, epochs=10000, verbose=0) # 화면 출력을 off
model.fit(x, y, epochs=10) 

# 모델을 이요하기
model.predict(x)

model.predict([[15]])

두번째. 보스턴 집값 예측

• 인공신경망에서 뉴런의 역할을 하는 것 : 만든 모형과 수식
• -> *퍼셉트론 Perceptron *
• 가중치(weight) w1,w2,w3... w13
• 편향(Bias) b
• 코드

  # 라이브러리 사용
  import tensorflow as tf
  import pandas as pd
  
  

과거의 데이터 준비

파일경로 = 'https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/boston.csv' 보스턴 = pd.read_csv(파일경로) 보스턴.head() print(보스턴.columns)

모델의 구조 만듦

독립 = 보스턴[['crim', 'zn', 'indus', 'chas', 'nox', 'rm', 'age', 'dis', 'rad', 'tax', 'ptratio', 'b', 'lstat']] 종속 = 보스턴[['medv']] print(독립.shape, 종속.shape)

x = tf.keras.layers.Input(shape=[13]) y = tf.keras.layers.Dense(1)(x) model = tf.keras.models.Model(x,y) model.compile(loss='mse')

데이터로 모델을 학습(FIT)

model.fit(독립, 종속, epochs=1000, verbose=0) model.fit(독립, 종속, epochs=10, verbose=1)

모델을 이용

model.predict(독립[:5])

종속[0:5] #python의 슬라이싱(slicing)

모델의 수식 확인

model.get_weights()

### * 학습의 실제
- 수식의 가중치를 찾는 방법?
[https://docs.google.com/spreadsheets/d/1-bg8CeN2I55og4nnFXcPBnIxdW_n1ToOdrfwd0_A5Qc/edit#gid=0](https://docs.google.com/spreadsheets/d/1-bg8CeN2I55og4nnFXcPBnIxdW_n1ToOdrfwd0_A5Qc/edit#gid=0)


### 세번째. 아이리스 품종 종류
- **원핫인코딩(onehot-encoding)**
```python 아이리스 = pd.get_dummies(아이리스) ```
-> 품종.setosa , 품종.virginica, 품종.versicolor...
- **소프트맥스** / cf. **시그모이드**
- 비율을 예측하는데 사용 됨
- softmax(함수 식) -> 결과 값을 0과 1 사이로 나오게 함
- Indentity(y=x) 회귀모델
- Softmax 분류모델

- **Activation 활성화 함수**
- categorical_crossentropy : mse(loss)를 계산하는 확률
- metrics = 'accuracy' <- 0에서 1사이의 확률

- **코드**
```python
# 라이브러리 사용
import tensorflow as tf
import pandas as pd

# 과거 데이터 준비
파일경로 = 'https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/iris.csv'
아이리스 = pd.read_csv(파일경로)
아이리스.head()

# 모델 구조 만들기 / 원핫인코딩
인코딩 = pd.get_dummies(아이리스)
인코딩.head()

인코딩.columns

# 독립변수와 종속변수
독립 = 인코딩[['꽃잎길이', '꽃잎폭', '꽃받침길이', '꽃받침폭']]
종속 = 인코딩[['품종_setosa', '품종_versicolor',
       '품종_virginica']]

print(독립.shape, 종속.shape)

# 모델 구조 생성
x = tf.keras.layers.Input(shape=[4])
y = tf.keras.layers.Dense(3, activation='softmax')(x)
model = tf.keras.models.Model(x,y)
model.compile(loss = 'categorical_crossentropy',
              metrics='accuracy') # 사람이 보기 편한 정확도라는 척도 

# 데이터로 모델을 학습 (FIT)
model.fit(독립, 종속, epochs=100)

# 모델 이용하기
model.predict(독립[0:5])

print(종속[0:5])

model.predict(독립[-5:])

print(종속[-5:])

# 학습한 가중치 출력
model.get_weights()

네번째. 신경망의 완성 : 히든 레이어

• 각각의 모델을 여러개 연결하여 하나의 모델을 만드는 것이 딥러닝, 인공지능망

  x = tf.keras.layers.Input(shape=[13])
  H = tf.keras.layers.Dense(5, activation='swish')(x) # 히든 레이어 추가
  y = tf.keras.layers.Dense(1)(H) # x가 아닌 H임을 주의
  model = tf.keras.models.Model(x,y)
  model.compile(loss='mse')

• swish는 최근에 발표된 성능 좋은 히든 레이어 활성화 함수

추가 실습

데이터타입 : 숫자형->범주형으로 바꾸기

import tensorflow as tf
import pandas as pd

파일경로 = 'https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/iris2.csv'
아이리스 = pd.read_csv(파일경로)
아이리스.head()

# 원핫인코딩
인코딩 = pd.get_dummies(아이리스)
인코딩.head()

# 결과: 인코딩 되지 않음! -> 왜? 범주형이지만 숫자 데이터이기 때문에.

print(아이리스.dtypes)

# 품종 타입을 범주형으로 바꾸기
아이리스['품종'] = 아이리스['품종'].astype('category') # 아이리스의 품종 컬럼을 astype 함수로 '카테고리'로 바꿈
아이리스.dtypes

# 원핫인코딩
인코딩 = pd.get_dummies(아이리스)
인코딩.head()

NA 데이터값 평균값으로 바꾸기

# NA값 체크해보기
아이리스.isna().sum() # column 별로 na가 있는지 합을 보여줌

아이리스.tail()

# NA값에 꽃잎폭 평균값 넣어주기
mean = 아이리스['꽃잎폭'].mean()
아이리스['꽃잎폭'] = 아이리스['꽃잎폭'].fillna(mean)

아이리스.tail()

학습 모델 향상시키기

# 보스턴 집값 예측 데이터로 학습이 잘 되는 모델 만들기
- 사용할 레이어
  - tf.keras.layers.BatchNomalization()
  - tf.keras.layers.Activation('swish')

파일경로 = 'https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/boston.csv'
보스턴 = pd.read_csv(파일경로)

독립 = 보스턴[['crim', 'zn', 'indus', 'chas', 'nox', 'rm', 'age', 'dis', 'rad', 'tax',
       'ptratio', 'b', 'lstat']]
종속 = 보스턴[['medv']]
print(독립.shape, 종속.shape)

# 모델의 구조 만들기
X = tf.keras.layers.Input(shape=[13])
H = tf.keras.layers.Dense(8, activation='swish')(X) # 히든 레이어 3층 만들기
H = tf.keras.layers.Dense(8, activation='swish')(H)
H = tf.keras.layers.Dense(8, activation='swish')(H)
Y = tf.keras.layers.Dense(1)(H)

model = tf.keras.models.Model(X, Y)
model.compile(loss='mse')


model.fit(독립, 종속, epochs=1000)
# 결과가 아주 만족스럽지는 않음

# BatchNormalization을 사용해 성능 높이기
X = tf.keras.layers.Input(shape=[13])

H = tf.keras.layers.Dense(8)(X)
H = tf.keras.layers.BatchNormalization()(H)
H = tf.keras.layers.Activation('swish')(H)

H = tf.keras.layers.Dense(8)(H)
H = tf.keras.layers.BatchNormalization()(H)
H = tf.keras.layers.Activation('swish')(H)

H = tf.keras.layers.Dense(8)(H)
H = tf.keras.layers.BatchNormalization()(H)
H = tf.keras.layers.Activation('swish')(H)

Y = tf.keras.layers.Dense(1)(H)

model = tf.keras.models.Model(X, Y)
model.compile(loss='mse')


model.fit(독립, 종속, epochs=1000, batch_size=150)
# loss가 10대 초반으로 떨어짐

오렌지란?

• 표를 다루는 도구

시나리오와 전략

• 입력 -> 처리 -> 출력
• 표
• 시각화
• 머신러닝 : 데이터로 기계를 학습시켜 미래를 예측하도록 함

기본 사용법

** 구글 Docs 링크 사용하는 방법 **

1. File>Share 버튼 클릭
2. Get Link 색션에서 Change to anyone with the link 버튼클릭
3. Anyone with the link를 viewer 이상의 권한으로 지정
4. 구글 시트의 주소에서 에서 /edit#grid=0 부분을 제거한 주소를 사용합니다. 예) https://docs.google.com/spreadsheets/d/1-ija64LCoZUafvFhsMsXjHu9jltwoOVvmBR8fSIJfRM/edit#gid=0 => https://docs.google.com/spreadsheets/d/1-ija64LCoZUafvFhsMsXjHu9jltwoOVvmBR8fSIJfRM 출처 : https://opentutorials.org/course/4549/28996

표를 다루기

• 행 row / 열 column
• 표 = 데이터 셋(data set)
• table에서 또 table을 만들면 selected rows만 표시할 수 있음

통계와 시각화

• 대푯값과 분포 <-어림짐작의 도구
• 대푯값 : 평균, 중앙값, 최빈값, ..
• Boxplot
• Scatterplot 산점도
• 인과관계는 상관관계에 포함된 개념
• 원인 : 독립변수
• 결과 : 종속변수

오렌지3으로 머신러닝

• 독립변수와 종속변수를 찾아내어 -> 컴퓨터에 학습 -> 컴퓨터가 공식(모델)을 만들어냄
• 모르는 '원인'을 입력했을 때 '결과'를 도출하도록 함
• 
• 지도학습 중 회귀(regression) 활용
• Role
  • skip : 학습시키고자 하는 데이터에서 상관 없는 데이터를 제외
  • meta : 실제로 분석 작업에 사용되진 않지만 정보성으로 남겨두는 것
  • target : 예측하고자 하는 타겟값(종속변수)
  • feature : 독립변수
• 

출처 : 생활코딩(https://ml.yah.ac/)

• 인간이 하던 결정을 기계에게 맡기기 시작 : 기계학습(Machine Learning)

• 머신러닝 때문에 인간의 두뇌가 필요 없는 것은 아니며 우리의 '판단 능력'을 확장하여 더 빠르고 정확하게 판단할 수 있도록 돕는 것

• 습관은 의지를 이기고, 의지는 환경을, 환경은 습관을 바꿈

  • 즉 습관을 바꾸기 위해 환경을 바꾸는 우회적 방법을 사용

• 일 = 꿈 + 능력 <- 꿈을 먼저 꾸는 것이 중요함

  • 궁리하는 습관을 들일 것!

• 이 수업에서 주목할 것

1. 원리
2. 수학
3. 코딩

Techable Machine

• 머신러닝에 대한 지식이 없이도 머신러닝을 구현할 수 있도록 돕는 도구
• Techable Machine 링크
• 우리가 만든 '판단력' = '모델 model'

모델 Model

• 경험 -> 교훈 -> 그 후에 추측 가능
• 현상 -> 추측(가설) -> 검증하기 위한 실험 -> 결과 -> 이론 -> 예측 가능
• 교훈 == 이론
• 머신러닝은 이런 판단력을 기계에 부여한 것이며 그 기계를 모델model이라 부름
• 이 모델을 만드는 과정을 '학습'이라고 부름

머신러닝머신

• https://ml-app.yah.ac/

애플리케이션과 프로그램

• 애플리케이션 : 응용, 어떤 부품을 조합해서 만든 완제품
  • 머신러닝이라는 모델이라는 부품을 조합해서 만든 소프트웨어
  • 머신러닝 어플리케이션
• 프로그램 : 시간 순서라는 개념이 포함된 도구, 기계가 알아들을 수 있는 언어로 만든 것
  • 프로그래밍
  • 프로그래머(엔지니어)

사물 인터넷

• 사물 인터넷 = 프로그래밍 + 전자공학 + 네트워크 + 기계공학

데이터 과학과 데이터 공학

• 데이터 과학 : 데이터 자체를 다룸
• 데이터 공학 : 데이터를 다루는 것을 도와주는 것
• 서로 육체와 영혼의 관계라고 생각하면 됨

표(table) : 행과 열

• 행(row)

  • 개체(instance)
  • 관측치(observed value)
  • 기록(record)
  • 사례(example)
  • 경우(case)

• 열(column)

  • 특성(feature)
  • 속성(attribute)
  • 변수(variable)
  • 필드(field)

독립변수와 종속변수

• 변수(variable) : 변할 수 있는 값
• 독립변수 : 원인이 되는 열 (ex.온도)
• 종속변수 : 원인으로 인해 결과가 되는 열 (ex.열병환자수)
• 서로 상관 있는 특성(열)이 무엇이 있는지 확인하여 변수를 구분할 수 있음
• 독립변수와 종속변수는 서로 인과관계이다
• 인과관계 <- 상관관계에 포함됨

머신러닝의 분류

• 기계학습 = 강화학습 + 지도학습(분류, 회귀) + 비지도학습(군집화, 변환, 연관) ...
• 지도학습 : 기계를 가르쳐(문제와 정답이 있음) 성능을 향상하는 것
• 비지도학습 : 기계에게 데이터에 대한 통찰력을 부여하는 것 , 정답을 알려주지 않아도 관찰을 통해 의미나 관계를 밝혀내는 것
• 강화학습 : 학습을 통해서 능력을 향상시키고 어떤 것이 더 좋은 결과인지 스스로 느끼며 수련하는 것임

1. 지도학습

• 역사와 비슷
• 원인과 결과가 나타나있어 그 비슷한 일이 있을 때 결과를 예측할 수 있음
• 독립변수와 종속변수가 꼭 필요함
• 충분히 많은 데이터를 수집하여 학습하고 '모델'을 만듦
• 과거의 데이터를 독립변수와 종속변수로 분리하여 학습 -> '모델'
• 머신러닝 : 공식의 대중화 (과거엔 공식은 권력자의 소유물이었음)

a. 분류 classification

• 성격에 맞는 것끼리 수납하는 것
• 과거에 만든 데이터를 통해 / 독립-종속 변수를 통해 (지도학습)
• 추측하고자하는 결과가 숫자가 아닌 이름 혹은 문자열일 때

b. 회귀 regression

• 미지의 숫자를 예측하기 위해 사용하는 모델

2. 비지도학습

• 탐험적(미지의 세계를 탐험)
• 종속변수와 독립변수의 구분이 중요하지 않음

a. 군집화 clustering

• 군집화는 비슷한 관측치(행)를 찾아서 그룹을 만드는 것
• 분류와의 차이? : 그룹을 만드는 것 : 군집화 / 정해진 그룹에 넣는 것 : 분류
• 좌표 평면 활용하여 '가까운 것 끼리' -> 표에 '군집'이라는 열을 추가

b. 연관규칙학습 Association rule learning

• 장바구니 학습법이라고 불림
• 특성(열)을 그룹화 하는 것

c. 변환

• ?

3. 강화학습 reinforcement learning

• 강화학습은 경험을 통해 성능을 높임 (지도학습은 학습을 통해 성능을 높임)
• 게임 : 상태 / 상과 벌 -> 게이머 : 관찰 -> 판단력 강화 -> 행동 변화 -> 게임에 변화
• 환경(environment), 에이전트(agent), 상태(state), 보상(reward), 정책(policy), 행동(action)

If문

형식은 if 조건문: 으로 주의할 점은 파이썬은 들여쓰기로 함수를 묶기 때문에 들여쓰기를 주의할 것!

>>> a = 99
>>> if a<100:     # a가 100보다 작으면 참, 아니면 거짓. 참일 때만 실행된다.
    print("100보다 작군요")
100보다 작군요.

조건의 참과 거짓

참(True)과 거짓(False)을 판단할 수 있는 기호들은 다음과 같다.

• 비교 연산 기호 (==, !=, <, >, <=, >=)
• 논리 기호 (and, or, not)
• 존재 여부 (in, not in)
• 자료형의 참과 거짓 이 중 값의 존재 여부와 자료형의 참과 거짓을 보겠다.

값의 존재 여부(in, not in)

in : 값이 존재할 때 True not in : 값이 존재하지 않을 때 True

>>> "Korean" in ["Korean", "English"]     # list다
True
>>> list0 = [1,2,3]
>>> a = 1
>>> a in list0
True     # a라는 변수가 가진 1이라는 값이 list0 에 존재하므로 참이다

>>> "Japanese" not in ["Korean", "English"]
True

자료형의 참과 거짓

숫자형의 경우 0은 False, 나머지는 모두 True이다. 이처럼 자료형에도 참과 거짓이 있다. 문자열(str), 리스트(list), 딕셔너리(dict)는 비어있으면 False, 하나라도 값이 있으면 True다.

If문에서 들여쓰기의 중요성

>>> a = 200
>>> if a < 100:
    print("100보다 작군요.")
   print("거짓이므로 이 문장은 안 보이겠죠")
>>> print("프로그램 끝.")

거짓이므로 이 문장은 안 보이겠죠
프로그램 끝

만약 위의 코드에서 의도한 바가 a 값이 100보다 작으므로 "거짓이므로~보이겠죠" 문장이 나오지 않는 것이었다면 위의 코드는 틀린 출력 결과를 보여준 것이다. 왜일까?

>>> a = 200
>>> if a < 100:
    print("100보다 작군요.")
        print("거짓이므로 이 문장은 안보이겠죠.")
>>> print("프로그램 끝")

첫번째 코드와 다른점은 바로 들여쓰기다. 파이썬은 앞서 말했듯이 들여쓰기로 함수의 범위를 인식하기 때문에 들여쓰기를 맞춰주는 것은 필수적이다.

If-else문

조건문이 참일 때 실행할 코드와 아닐때(그 외, else) 실행할 코드를 따로 정해주는 함수이다.

>>> a = 200
>>> if a < 100:
    print("100보다 작군요.")
    else:     # if의 조건문이 거짓(False)일 때!
        print("100보다 크군요.")
100보다 크군요.

위의 코드는 조건문이 거짓이므로 그 외를 다루는 else로 빠져 print문을 실행했다.

중첩 If문

중첩 If문이란 If문을 한 번 실행한 후 그 결과에서 다시 if문을 실행하는 것이다. If - If 도 가능하지만 IfelseIfelse 형식도 가능하다. 또한 Ifelifelse 형식도 가능한데, 여기서 elif란 else와 If를 결합한 것으로, If외 다른 조건을 제안한다.

score = int(input("점수를 입력하세요. :"))

if score >= 90:
    print("A")
elif score >= 80: # 첫번째 거름망
    print("B")
elif score >= 70: # 두번째 거름망
    print("C")
elif score >= 60: # 세번째 거름망
    print("D")
else:
    print("F")

print("학점입니다!")

위의 코드는 if문과 else 사이에 총 3번의 거름망이 있다고 보면 된다. 일반 Ifelse문에서는 If가 거짓이면 바로 그외를 다루는 else로 빠지지만, **Ifelif~else 문**에서는 elif가 거름망이 되어 If에서 거짓이 된 값을 받아 한번 더 참과 거짓을 가르는 것이다.

• elif의 조건이 True이면 해당되는 코드를 실행하고,
• False가 되면 다음 elif 혹은 마지막 else로 빠진다.

이런식으로 총 세번의 거름망에서 모두 False로 판단되면 드디어 원 If문과 짝인 else를 만나 코드를 실행한다.

삼항 연산자를 사용한 if 문

다음과 같은 코드가 있다고 보자.

jumsu = 55
res = ''
if jumsu >= 60:
    res = '합격'
esle :
    res = '불합격'
print('res')

위의 코드는 아래의 코드와 같은 결과값을 가진다.

res = '합격' if jumsu >= 60 else '불합격'

삼항 연산자란 연산 대상자가 3개인 연산자이다. 앞서 배운 부호(+,-),not 등이 단항 연산자(연산 대상자가 1개)이며 +, -, * 등의 산술 연산자가 이항 연산자(연산 대상자가 2개)이다. 삼항 연산자는 한가지 유형만 존재한다. 형식은 다음과 같다.

• 값을 대입할 변수 = (if조건이 참일 경우 값) if (조건문) else (if조건이 거짓일 경우 값) 주의할 점은 일반 if~else 문과 달리 사이에 ':'가 없다는 점이다.

Print() 함수

print() 함수에서 사용할 수 있는 서식은 다음과 같다.

>>> print("%d / %d = %d" % (100,200,0.5))
100 / 200 = 0
# 뒤에 대입한 값은 0.5이지만 서식이 정수 형식이므로 0만 출력됨

서식을 활용할 때 %와 서식 사이에 숫자를 넣음으로써 확보할 자리를 정할 수 있다. print("%5d" % 123)과 같이 쓰게 되면, 정수 자리 5자리를 만들어 놓고 오른쪽 정렬로 값 123을 넣어 앞의 두자리는 공백으로 나타낸다.

>>> print("%d" % 123)
>>> print("%5d" % 123)
123
  123     # 앞에 공백 2개가 존재한다.(5개 중에 3개 사용했으니까!)

이 공백에 채울 값을 따로 정하는 것도 가능하다. print("%05d" % 123)과 같이 하는 것이다. 우선 5자리를 확보하고, 오른쪽 정렬로 값을 대입한 다음, 남은 자리(2자리)에는 숫자 '0'을 넣는 것이다.

>>> print("%5d" % 123)
>>> print("%05d" % 123)
   123
 00123

실수의 경우 소수점 아래 자릿수를 정할 수 있다.

>>> print("%f" % 123.45)    #그냥 f로 지정하면 소수점 아래 6자리까지 무조건! 출력됨
>>> print("%7.1f" % 123.45)     #소수점을 포함해 7자리를 확보하고, 첫째자리 까지만 나타낸다.
>>> print("%7.3f" % 123.45)     #소수점을 포함해 7자리를 확보하고, 셋째자리 까지 나타낸다. 빈 자리는 0으로!
123.450000
  123.5                #첫째자리까지 나타내기 위해 둘째자리에서 반올림을 함.
123.450

문자열도 마찬가지이다.

>>> print("%s" % "Python")
>>> print("%10s" % "Python")
Python
    Python

만약 문자 % 자체를 나타내고 싶다면 어떻게 해야할까? %%로 입력하면 포맷 코드로 인식하지 않고 문자열 자체로 인식한다!

>>> print("Error is %d %% ." % 98)
Error is 98%.

이스케이프 문자(Escape Sequence)

print()함수에서 특수 문자를 표현하는 역슬래시()로 표현하는 특수 표기법을 말한다. 이스케이프 문자는 다음과 같다. 그대로 출력하는 방법도 포함한다.

print("\n줄바꿈\n연습")
print("\t키\t연습")
print("\\\\\\역슬래시 3개 출력")
print("줄바꿈 기호 : \\n")
print("탭 키 기호 : \\t")
print(r"\n \t \" \\를 그대로 출력")        #print문 안의 문자열이 시작전 'r'을 넣어 이스케이프 문자의 효과를 제거한다.

#결과값
줄바꿈
연습
    키    연습
\\\역슬래시 3개 출력
줄바꿈 기호 : \n
탭 키 기호 : \t
\n \t \" \\를 그대로 출력

print문 자동 줄바꿈

print() 함수는 일반적으로 문자열을 다 찍고 그 뒤에 새로운 줄에서 시작하게 하도록 하는 개행 문자가 포함되어 있다. print()를 사용하면서 자동 줄바꿈을 없애기 위해서는 문자열 뒤에 ','를 쓰고 end = '' 를 이용하여 문자열을 다 출력하고 할 동작을 변경해 줄 수 있다. 즉, 기본으로 포함된 개행 문자를 빼고 할 동작을 지정해주는 것이다.

>>> print("Hello") ; print("Python")
Hello
Python

위와 같이 자동으로 줄바꿈 되는 개행 문자를

>>> print("Hello", end = '')
>>> print("Python")
Hello Python

end에 공백('')을 넣어 다음 print문을 이어서 출력할 수 있다.

print() : 화면에 출력하기

함수 print()의 괄호에 변수 이름 혹은 문자열을 입력하면 출력해주는 함수이다.

>>> print("Hello world")
Hello world

input() : 사용자에게서 입력 받기

input() 함수를 사용시 사용자가 enter를 입력할 때 까지 입력한 값이 모두 문자열로 저장된다. 이때 사용자에게 표시되는 문구는 코딩 작성시 미리 넣어둔 문자열로 변수에 저장되지 않음!(안내문 격?) 🚨 주의 : 숫자를 입력해도 '문자열'로 저장되기 때문에 int() 함수 등을 사용해 숫자로 변환해야 한다.

>>> eng = input('영어 점수를 입력하세요 : ')
5
>>> print(eng)
5

int(), float() : 문자열을 숫자 데이터로 변환

문자열로 입력 받은 값을 수로 변환하려면 int() 혹은 float() 함수 안에 input() 함수를 넣어주자.

>>> eng = int(input('영어 점수를 입력하세요 : '))
5
>>> kor = int(input('국어 점수를 입력하세요 : '))
10
>>> total = ent + kor        # 두 변수 모두 숫자로 변환했기 때문에 연산이 가능한 것임
>>> print(total)
15

연산자

연산자 종류

기본 산술 연산의 종류는 다음과 같다

기본 산술 연산자 우선 순위

연산은 기본적으로 왼쪽에서 오른쪽 방향으로 계산되며 기본 산술 연산자의 우선 순위는 다음과 같다.

str() : 숫자를 문자열로 변환

문자열을 숫자 데이터로 변환하는 함수와 반대로, 숫자 데이터를 문자열로 변환해주는 함수. 문자열도 연산이 가능하다. + 연산으로 문자열을 연결하거나 * 연산으로 여러번 출력하는 것도 가능하다. 🚨 주의 : 문자열은 문자열과만 더할 수 있음! 문자열 + 숫자는 불가능하다.

>>> a = 100; b = 100.123
>>> str(a) + '1' ; str(b) + '1'
'1001'
'100.1231'

대입 연산자와 산술 연산자의 결합

대입 연산자 = 외에 +=, -=, =, /=, %=, //=, ***= ** 가 있다. 기존의 값에 산술 연산을 한 후 다시 대입하는 것을 의미한다. 🚨 *순서 주의! *산술 연산자 뒤에 =가 온다.

>>> a = 5
>>> a
5
>>> a += 5
>>> a
10

관계 연산자

어떤 것이 크거나 작거나 같은지 비교하여 참은 True 값으로 거짓은 False 값으로 반환한다. 주로 조건문(if)이나 반복문(while)에서 사용하며, 단독으로는 거의 사용하지 않음.

>>> a, b = 100, 200
>>> print( a==b, a != b, a>b, a<b, a>= b, a<=b)
False True False True False True

논리 연산자

종류는 총 3가지 - and(그리고), or(또는), not(부정)

>>> a = 99
>>> (a>100) and (a<200)
>>> (a>100) or (a<200)
>>> not(a == 100)        # 틀린게 맞으니까 참!
False
True
True

비트 연산자

비트 연산자란 정수를 2진수로 변환한 후 각 자리의 비트끼리 연산을 수행하는 것을 말함. 비트 연산자의 종류에는 &, , ^, ~, <<, >> 가 있다. 🚨 주의 : 파이썬에서 0은 False, 1은 True(0 이외의 값)이다.

❗ 0과 비트 논리곱을 수행하면 어떤 숫자든 무조건 0이 됨(이미 0이 1이 아니므로 거짓)

연산자 우선 순위

출처 : https://wikidocs.net/1165

변수(Variable)는 어떠한 값을 저장하는 메모리 공간(그릇). 변수 선언은 즉 값을 저장할 공간을 준비하는 것이며, 변수의 '이름'과 '타입'을 부여한다.

boolVar = True
intVar = 0
floatVar = 0.0
strVar = ""

👇👇👇

boolVar, intVar, floatVar, strVar = True, 0, 0.0, ""

파이썬은 (우측) = (좌측) 형식으로 변수를 선언하며, 좌측의 값을 우측의 변수에 저장한다.

var1 = var2 = var3 = var4 = 100

👇👇👇

var4 = 100
var3 = var4
var2 = var3
var1 = var2

파이썬의 특징이자 장점은 변수에 넣는 데이터 값에 따라 변수의 타입이 유연하게 바뀐다는 것이다. 즉, 별도로 변수의 타입을 변경하는 수고를 들일 필요가 없다.(너무 좋다!)

myVar = 100        # 정수형 변수를 생성
type(myVar)         # <class 'int'> 가 출력
myVar = 100.0     # 실수값을 변수에 저장
type(myVar)        # <class 'float'> 가 출력

Type() 함수

Type(변수) 함수를 사용하여 해당 변수의 데이터 타입을 알 수 있다.

type(boolVar)        # <class 'bool'>
type(intVar)        # <class 'int'>
type(floatVar)        # <class 'float'>
type(strVar)        # <class 'stri'>

자료형(Data type)

1. 숫자 자료형

정수 및 실수 데이터형은

• 사칙 연산(+, -, *, /)

• ** (제곱)

• % (나머지,modular)

• // (나눈 후 소수점을 버리는 연산자) 를 사용할 수 있다.

• 정수형 : 양의 정수, 0, 음의 정수

  a = 10
  b = 0
  c = -2

• 실수형 : 소수점을 포함한 숫자

  x = 1.23
  y = -13.58
  z = 2.3e5

• 복소수형 : 실수와 허수를 모두 표기(i 대신 j 혹은 J를 사용함)

  a = 3 + 3j
  b = 4 + 10J

2. 불린형

불형(Boolean Data Type)은 참(True)이나 거짓(False)만 저장할 수 있다.

a = True
type(a)        # <class 'bool'>

a = (999 == 999)     #비교의 결과도 나타냄
b = (1 > 7)
print(a,b)
>>> True False

3. 문자형 자료형

"" 혹은 '' 로 감싼 문자 집합

a = "파이썬 공부중임"
a
print(a)
type(a)
>>> '파이썬 공부중임'
>>> 파이썬 공부중임
>>> <class 'str'>

문자열 중간에 " 혹은 '를 출력하려면** 그와 다른 따옴표 종류로 전체를 감싸주어야 한다.** ❓ 컴파일러는 한 따옴표 종류로 시작하면 나머지 한 따옴표가 나오면 문자형 변수의 값이 끝났다고 인식하기 때문!

"작은 따옴표는 ' 모양이다."
'큰 따옴표는 " 모양이다.'
>>> 작은 따옴표는 ' 모양이다.
>>> 큰 따옴표는 " 모양이다.

혹은 역슬래시() 뒤에 큰 따옴표나 작은 따옴표를 써도 됨.

a = "이건 큰 따옴표 \" 모양임."
b = '같은 따옴표로 감싸도 나오지롱! \' 이건 작은 따옴표!'
print(a, b)
>>>  이건 큰 따옴표 " 모양임. 같은 따옴표로 감싸도 나오지롱! ' 이건 작은 따옴표!

문자열 변수에 여러 줄을 넣고 싶다면 문장 중간에 \n을 포함시키거나 따옴표 3개를 연속해서 묶어버리자!

a = '파이썬 \n공부중입니다~'
print(a)
>>> 파이썬
공부중입니다~

a = """파이썬
공부중입니다~"""
a
print(a)
>>> '파이썬 \n 만세'     # a값에 \n이 포함된 것을 알 수 있음
파이썬
만세

문자열은 메모리 한 자리마다 각 하나의 문자를 저장하고 순서 번호가 부여되어 그 번호로 각 문자에 접근할 수 있음.

• 번호는 0부터 시작
• 음수를 입력하면 문자열의 뒤에서부터 순번 시작(-1 부터)
• 범위 사용 가능 [시작 위치 : 끝 위치 + 1]

a = '1$ 환율은 1100원입니다.'
a[7:11]
>>> '1100'