모든 글
-
연예계 데이터
데이터로 GD-Home Sweet 반응, 댓글 속 팬심 분석하기! [답정너편]
GD의 Home sweet home에 대한 반응을 분석해보고 데이터가 어떠한 말을 하는지 숫자로 알아보려고 한다.이미 답은 정해져있다. 지디 짱 일단은 가볍게 유튜브에서 영상에 대한 댓글 리스트를 가져오자.# 유튜브 API 키 세팅api_key = 'youtube api key'youtube = build('youtube', 'v3', developerKey=api_key)# 타겟 영상 IDvideo_id = 'fLi0EJfi_vg' # (GD: Home Sweet Home)# 영상 기본 정보 가져오기video_response = youtube.videos().list( part='snippet,statistics', id=video_id).execute()video_info = video_r..
-
Predictive Maintenance
Predictive Maintenance: [2-2] C-Mapss 데이터 고장 유형 분류 1편
심각하게 심각하게 게으른 자의 C-Mapss 분석 2-2편이다...잊을만할 때마다 댓글을 달아주시는 분들이 계셔서 적게 된다.. 감사!! 금번 자료의 주제는 Fault Classification with Deep learning이다.ML 기반의 대표 알고리즘 Random Forest와 DL 기반의 대표 알고리즘 Convolutional Neural Network(CNN)을 사용할 것이다.고장 유형 분류와 어떤 파라미터가 원인 인자였는지 분석해서 각 고장 유형에 대해 어떤 것이 문제였는지 분석해볼 예정이다. 이번 포스팅의 주요 카테고리는 아래와 같다.1. C-MAPSS 데이터의 고장 유형 분류2. 각 고장 유형의 혐의 인자 분석 혐의 인자에 대한 공정 분석은 엔진의 원리를 알아야 하지만,,, 그건 내 영역..
-
Predictive Maintenance
Predictive Maintenance: [2-1] C-Mapss 데이터 분석편 (주제: Fault Classification)
심각하게 게으론 자의 C-Mapss 분석 2편이다.금번 자료의 주제는 Fault Classification(혹은 Fault Diagnosis)이다. C-Mapss 데이터의 목적은 RUL(Remaining Useful Lifetime) 예측이다. 하지만 근래 학계의 연구 동향을 봐도 RUL에 대해 진지하게 연구하고 노력하는 것들은 보기 어렵다(배터리 RUL제외). 왜냐? 어렵다. 미래 일을 어떻게 맞춰... 2022년 참석했던 PHM 학회에서도 현시대의 기술로는 RUL은 단순히 reference정도로 봐야한다는 평이 있었다. 나중에, Digital Twin이 완벽하게 구현된 시대에서는 RUL이 의미가 있을수는 있겠지만.. 여하튼, 나도 위 의견에 매우-적극-굉장히 동의하므로 RUL 관점으로 분석은 하지 않..
-
카테고리 없음
2022 미국 미시간 디트로이트 출장 기록지 (+LA)
2022년 6월, 미시간주의 디트로이트로 출장 일정이 있었다. 첫 미국 방문이자, 회사에서 썻던 논문 발표를 위해 찾아간 일정이었다. + 와이프의 따듯한 배웅과 과한 걱정의 잔소리와 함께 출발했다. 15시간의 직항 + 도착 후 렌트카로 30분만에 도착한 호텔. 7일동안 머무르기에는 더할나위 없이 좋았던 호텔. La Quinta(?) 호텔이었던 것으로 기억한다. 건식 스타일이어서 맨발로 돌아다니는 것이 찝찝하기는 했으나, 침대, 냉장고, 화장실등 다 만족하며 지냈었다. 추가로 물이 너무 미끌미끌(?) 거려서… 매번 샤워할때마다 비누로 몸을 2번정도 닦았었다..ㅋㅋ La Quinta 호텔의 유일한 단점, 주위에 식당이 없다. 도착하고 2일동안 맥도날드만 먹다 지쳐, Uber Eats로 미국 가정식을 도전해보..
-
갑상선 암
20대 남자의 갑상선암 치료 [수술 전 1부]
나이 28세. 남성. 운동을 좋아하고 술담배 하지 않는 사람. 낙천적으로 심한 스트레스도 많이 없는 사람. 갑상선암에 걸렸단다. 21년 12월 28일. 회사에서 보내준 건강검진결과, 갑상선 결절이 보이는데 의심이 되니 정밀 검진을 받으라고 연락이 왔다. - 참나, 당시에는 병원이 너무 오바하는 거 아닌가… 라는 의심의 생각 50%, 진짜면 어떡하지라는 걱정 50%의 상태로 1달을 지냈다. - 1달 정도의 꾸준한 게으름(?)을 부린 후, 정밀 검진을 받기 위해 전문의가 있는 병원을 예약했다. 22년 1월 29일. 초음파 검사를 받고, 결절이 크고 석회화(?)된 부분이 여러개 보이므로 조직검사를 해야한다.. 라고 소견을 받았다. - 이때만해도 몰랐다. 아~ 갑상선에 문제가 있구나~ 근데 뭐 아프지도 않고 느..
-
Predictive Maintenance
Predictive Maintenance: [1] C-Mapss 데이터 EDA편
-첫 Tech post- 예지보전 관련 데이터에 대한 분석 방법을 정리해보고자 한다. 타겟 데이터는 NASA의 turbo engine 데이터인 C-Mapss 데이터이다. (다운로드 링크: 페이지 접속 후, 6번 항목 클릭) - 2021년 새로운 c-mapss 데이터가 나왔지만 본 게시글에서는 다루지 않습니다. 추후 분석 예정에 있습니다. 해당 데이터는 turbo 엔진에 여러 개의 센서(sensor)를 부착해서 엔진의 상태 정보를 수집한 것이다. 총 4개(FD001~FD004)의 데이터셋으로 이루어져 있으며, 각 데이터셋은 서로 다른 실험 환경으로 수집됐다. FD001 데이터 셋으로 설명을 하겠다. 각기 다른 엔진(100개)(=Sub-datasets)에서 Training 데이터와 Testing 데이터를 수..
연구 관련 작성 글
-
Predictive Maintenance Predictive Maintenance: [2-2] C-Mapss 데이터 고장 유형 분류 1편 심각하게 심각하게 게으른 자의 C-Mapss 분석 2-2편이다...잊을만할 때마다 댓글을 달아주시는 분들이 계셔서 적게 된다.. 감사!! 금번 자료의 주제는 Fault Classification with Deep learning이다.ML 기반의 대표 알고리즘 Random Forest와 DL 기반의 대표 알고리즘 Convolutional Neural Network(CNN)을 사용할 것이다.고장 유형 분류와 어떤 파라미터가 원인 인자였는지 분석해서 각 고장 유형에 대해 어떤 것이 문제였는지 분석해볼 예정이다. 이번 포스팅의 주요 카테고리는 아래와 같다.1. C-MAPSS 데이터의 고장 유형 분류2. 각 고장 유형의 혐의 인자 분석 혐의 인자에 대한 공정 분석은 엔진의 원리를 알아야 하지만,,, 그건 내 영역..
-
Predictive Maintenance Predictive Maintenance: [2-1] C-Mapss 데이터 분석편 (주제: Fault Classification) 심각하게 게으론 자의 C-Mapss 분석 2편이다.금번 자료의 주제는 Fault Classification(혹은 Fault Diagnosis)이다. C-Mapss 데이터의 목적은 RUL(Remaining Useful Lifetime) 예측이다. 하지만 근래 학계의 연구 동향을 봐도 RUL에 대해 진지하게 연구하고 노력하는 것들은 보기 어렵다(배터리 RUL제외). 왜냐? 어렵다. 미래 일을 어떻게 맞춰... 2022년 참석했던 PHM 학회에서도 현시대의 기술로는 RUL은 단순히 reference정도로 봐야한다는 평이 있었다. 나중에, Digital Twin이 완벽하게 구현된 시대에서는 RUL이 의미가 있을수는 있겠지만.. 여하튼, 나도 위 의견에 매우-적극-굉장히 동의하므로 RUL 관점으로 분석은 하지 않..
-
Predictive Maintenance Predictive Maintenance: [1] C-Mapss 데이터 EDA편 -첫 Tech post- 예지보전 관련 데이터에 대한 분석 방법을 정리해보고자 한다. 타겟 데이터는 NASA의 turbo engine 데이터인 C-Mapss 데이터이다. (다운로드 링크: 페이지 접속 후, 6번 항목 클릭) - 2021년 새로운 c-mapss 데이터가 나왔지만 본 게시글에서는 다루지 않습니다. 추후 분석 예정에 있습니다. 해당 데이터는 turbo 엔진에 여러 개의 센서(sensor)를 부착해서 엔진의 상태 정보를 수집한 것이다. 총 4개(FD001~FD004)의 데이터셋으로 이루어져 있으며, 각 데이터셋은 서로 다른 실험 환경으로 수집됐다. FD001 데이터 셋으로 설명을 하겠다. 각기 다른 엔진(100개)(=Sub-datasets)에서 Training 데이터와 Testing 데이터를 수..