1. 상황배달 상황 운영자가 배달 상황을 모니터링 해야 하는 상황모니터링 할 지표가 많음주문 건수, 배차대기 건수, 평균 배달 소요시간, 평균 배차 소요시간, 운행 라이더 수 , 주문 취소율, 배달 취소율, 고객 안내시간 준수율지표를 보고 경험적 판단을 주로 함실시간으로 변하는 상황과 이에 따른 지속적인 모니터링 필요반복 업무 및 업무 시간 증가2. 목표운영자가 배달 상황이 안정적이도록 유지를 하여 빠른 배달 서비스를 유지하자.3. Target배달 상황 운영자4. 표면적 문제운영자가 배달 상황이 안정적이도록 운영하는데 어떤 문제가 있을까?모니터링 지표 많음한번에 모든 지표를 판단할 수 없으므로 판단 오류가 날 가능성이 높음.지표를 판단할 명확한 기준 없음경험적 판단엔 휴먼에러가 발생할 확률이 언제나 존재..

1-Pager 프레임 만들기 사실상 실험계획서와 같다.  1) 현상2) 목표3) Target4) 얕은 문제5) 깊은 문제6) 다른 케이스의 경우 어떻게 접근하는지7) 가설8) User Story(기능정의), 필요한 리소스9) A/B Test & Test Scheme10) Metric11) 비즈니스적 관점에서 기대되는 이득과 손해12) 관련 유관 부서

Stake : "도박이나 투자에서 돈을 걸다" 라는 뜻Holder : 보유자, 소유자 도박이나 투자에서 자기 돈을 걸고 참여하면 참여한 사람 모두는 이익 또는 손실을 볼 수 있다. 다시말해 이해관계에 얽히게 되는 것이다. 그래서 "이해 관계자"라는 뜻을 의미한다.

1. 두 지점에 대한pair-wise distancefrom scipy.spatial.distance import pdistpoints = [[0, 0], [1, 1], [2, 2]]print(pdist(points)) # 유클리드 거리2. 두 집합에 대한 pair-wise distancefrom scipy.spatial.distance import cdistprint(cdist([[0, 0]], [[1, 1], [2, 2]]))3. 유클리드 거리(L2)from scipy.spatial.distance import euclideanprint(euclidean([0, 0], [3, 4])) # 결과: 5.04. L1 거리from scipy.spatial.distance import cityblockpr..

1. Inverse Matrixfrom scipy.linalg import invinv([[1, 2], [3, 4]])2. Determinantfrom scipy.linalg import detdet([[1, 2], [3, 4]])3. Normfrom scipy.linalg import normnorm([3, 4]) # L2 노름4. Orthogonal Matrixfrom scipy.linalg import orthorth([[1, 2], [3, 4]])5. Eigen Value, Eigen Vectorfrom scipy.linalg import eigeig([[1, 2], [2, 1]])6. Singular Value Decomposition(SVD)from scipy.linalg import svd..

최적화 1) 1차원 최적화(Scalar Optimization)함수 입력값이 일차원인 경우. (1) 1차원 스칼라 함수 최적화(minimize_scalar)from scipy.optimize import minimize_scalarminimize_scalar(lambda x: (x-2)**2)(2) 이분법을 이용한 근 탐색(bisect)from scipy.optimize import bisectbisect(lambda x: x**3 - 1, 0, 2)(3) 뉴튼 랩슨(newton)from scipy.optimize import newtonnewton(lambda x: x**3 - 2, x0=1)(4) Brenth(brenth)from scipy.optimize import brenthbrenth(lamb..

1. 그래프 그리기1) Scatter Plotsns.scatterplot(data=data, x='bill_length_mm', y='bill_depth_mm', hue='species')2) Line Plotsns.lineplot(data=data, x='bill_length_mm', y='bill_depth_mm', hue='species')3) Bar Plotsns.barplot(data=data, x='species', y='bill_length_mm', ci='sd') # 신뢰구간 포함4) Histogram#KDE 추가안한 버전sns.histplot(data=data, x='bill_length_mm', hue='species', bins=20) #KDE 추가한 버전sns.histplot(d..

import numpy as npimport matplotlib.pyplot as pltfrom scipy.stats import gaussian_kde# 샘플 데이터data = np.random.randn(1000)# 히스토그램plt.hist(data, bins=30, density=True, alpha=0.5)# KDEkde = gaussian_kde(data)x = np.linspace(min(data), max(data), 1000)plt.plot(x, kde(x))plt.show() 일단 sciypy.stats에서 gaussian_kde를 불러와서 사용해야 하는 듯하다. 이렇게 하기 싫으면 seaborn을 사용해야 한다.