일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
- 백준 #알고리즘 #파이썬 #코딩테스트
- 프로그래머스
- 다이나믹프로그래밍
- 알고리즘
- java #자바 #생활코딩
- 투포인터
- Dijkstra
- react #리액트 #동빈나 #나동빈 #유튜브강의
- css #웹 #생활코딩
- BFS
- 프로그래머스 #파이썬 #코딩테스트 #알고리즘
- PYTHON
- 파이썬 #백준 #알고리즘 #코딩테스트
- 다익스트라
- 백준
- css #생활코딩 #웹
- react #리액트 #동빈나
- java #자바 #동빈나
- 자바 #java
- 백준 #파이썬 #알고리즘 #코딩테스트
- 파이썬 #알고리즘 #코딩테스트 #프로그래머스
- 백트랙킹
- 재귀
- dp
- java #자바
- 파이썬
- DFS
- 코딩테스트
- java #자바 #나동빈
- 프로그래머스 #파이썬 #알고리즘 #코딩테스트
- Today
- Total
목록
728x90
프로젝트
728x90
(29)
커리까지
경 축 시설물 이용 게시글이 올라오면 카카오톡으로 알림을 주는 서비스 몇 백 개 학교들을 일일이 들어가서 확인할 수 없기에 자동으로 게시글을 확인하도록 설정 db에 저장한 학교들의 공지사항을 Beautiful Soup을 이용하여 확인한다. 만약 대관 공지가 올라오면 오후 6시에 학교 이름과 공지사항 제목이 카카오톡으로 온다. 들어가서 확인하면 끝!!! 프로젝트 앱을 도커 이미지로 만들어서 aws ec2에서 실행 중이다. db도 aws의 mysql을 사용하고 있다. celery를 사용하여 비동기 task와 batch job을 만들었다. celery를 사용하면 여러 개의 작업을 비동기로 실행할 수 있다. redis를 메시지 큐로 이용하였다. batch job도 celery에 있는 job을 활용하여 간편하게 ..
워낙 데이터가 많아서 한 번 실행하면 2시간 정도 소요된다. 전체 소스코드 import pandas as pd from selenium import webdriver from selenium.webdriver.chrome.service import Service as ChromeService from selenium.webdriver.common.by import By options = webdriver.ChromeOptions() service = ChromeService(executable_path='./chromedriver.exe') driver = webdriver.Chrome(service=service, options=options) def craw(start, end): pa..
우선 리액트로 구조를 잡았으니 api를 먼저 구축하여 데이터를 가져오려고 한다. 작업 순서는 아래와 같이 진행하려고 한다. 모델 생성하기 api 생성하기 선수들 이미지 사진 저장 테스트 케이스 생성 깃허브 액션 자동화 pythonanywhere연동 기타 추가 사항 중간에 삽입 1. models 생성하기 TimeStampedModel는 created_at, updated_at을 사용하지 않아도 알아서 기록하는 모듈이다. 매우 유용하다. Player에는 선수의 이름과 유니폼 번호를 담았다. Predict Image에는 선수의 정보를 외래키로 잡고, 이미지 경로를 담았다. from django.db import models from model_utils.models import TimeStampedModel ..
거의 1년 만에 다시 시작한다. 그동안 회사가 바쁘거나 이직 준비로 여건이 안 됐는데 이제야 조금 안정화가 되어서 다시 시작하려고 한다. 예전에 작업하던 피그마를 기반으로 좀 더 구체적으로 디자인을 잡고 다시 시작하려고 한다. 최종은 리액트 + DRF로 연동하여 작업할 예정이다. antd로 디자인 했던 것을 바꾸고 atomize으로 하려고한다. atomize를 설치하는 과정에서 자꾸 오류가 나서 원래대로 antd로 작업하려고 한다. 메인화면 만들고 나니 사진이 너무 커서 반으로 줄이고 검색창을 걸치게 만드려고 한다. 사진을 먼저 배치하려니 다른 div들이 깨질 것 같아 우선 사진을 제외하고 작업하기로 하였다. 아래 아쿠아블루가 있는 쪽이 메인이고 그 안에 검색창을 두어서 한 눈에 보이도록 만들었다. co..
한국농수산식품유통공사에서 진행한 경진대회였다. 뒤늦게 알아서 우선 신청서 부터 제출하고 구체적인 것들은 본선 진출 발표후에 하자고 하였다. 다행히 본선 진출이 확정되어 작업에 돌입했다. 처음 주제는 농산물 가격 예측이었는데 피드백 이후 이 주제로는 안 될것 같아서 한국의 음식을 알리자라는 주제로 변경하였다. 그래서 홈페이지 이름도 han cook이 되었고 거의 2주만에 데이터 분석이랑 홈페이지가 완성되었다. 모든 팀원들이 거의 밤을 새웠던 것 같다. 평일에도 회의 11시 넘어서까지 하고 주말동안 작업하고 또 회의하고의 반복이었다. 나같은 경우는 다행이 휴가가 겹쳐서 휴가기간동안 작업하였다. 급하게 주제를 바꾼것 치고는 만족할 만한 결과물이 나온 것 같다. 소스코드 https://github.com/sc3..
C:\react-nba>yarn global add create-react-app react-nba폴더를 생성하고 yarn 명령어로 creact-react-app을 설치했다. C:\react-nba>create-react-app nba-predict nba-predict 이름으로 app을 생성하였다. 성공적으로 리액트가 켜진다. 피그마 우선 피그마로 페이지 디자인 하는게 우선이라 피그마로 레이아웃을 잡기로 하였다. 다음과 같이 우선 첫 화면을 디자인 하였다. 현재는 한 화면에 모든 정보를 담는 걸로 생각하고 있다. 검색 화면은 이렇게 구성하였다. 이제 선수를 클랙했을 떄 나오는 화면을 구성할 차례다. antd를 사용하여 전반적인 페이지를 구성하려고 한다. 우선 네비바부터 만들기로 했다. NavBar.js..
https://github.com/stephanj/basketballVideoAnalysis 해당 깃허브에 있는 거 분석하고 해보기로 함 color-detection #!/bin/bash python show_colors.py -p images run.sh 파일을 실행하면 show_colors.py가 실행됨 path는 이미지가 있는 폴더 지정 image2라는 폴더를 새로 생성하고 path 변경 #!/bin/bash python show_colors.py -p images2ㅇ 우선 한 장으로 시도 team,red,green,blue,percentage team_a_1.jpg,1,0,1,67 team_a_1.jpg,86,99,141,20 team_a_1.jpg,157,165,201,12 다음과 같은 결과값이..
클래스 만들기 아킬레스, 십자인대 df 만들기 class AclAndAchilles: def __init__(self, df): self.df = df self.yes_no_df() self.seasonout_df() self.yes_no2_df() self.one_or_zero_df() # 우선은 ACL과 아킬레스가 들어간 선수 구분 @staticmethod def yes_no(x): words = x.split(' ') print(words) for word in words: if word.upper() in ['ACL', 'PCL', 'ACHILLES']: return True break def yes_no_df(self): self.df[&..
예측이라는 단어는 정확하게 맞추기 어렵다하여 추청으로 바꿔서 진행하려고 한다. model = keras.Sequential([ layers.Dense(50, activation='relu', input_shape=[len(train_set.keys()) +1]), layers.Dense(50, activation='relu'), layers.Dense(1) ]) optimizer = tf.keras.optimizers.RMSprop() model.compile(loss='mse', optimizer = optimizer, metrics=['mae', 'mse']) model.summary()xxxxxxxxxx layers.Dense(..
1 INTRODUCTION 3D로 코드를 인식해서 저 자세한 농구 영상 인식이 가능한 것 같다. 농구코트 왼쪽과 오른쪽 동시에 인식 가능한 것 같다. 농구 전술이 복잡하기에 low features로는 표현하기 어렵다. 그래서 calibration technique로 선수들의 궤적을 보여줄 수 있다. (컷이라든지 공격과 수비와 같은 높은 수준의 움직임들) 대학 농구선수들은 이 시스템을 사용한 후 높은 선호도를 보여줬다. 농구 영상 처리는 코치들과 관객들의 필요로 관심이 높아졌다. 영상에서 수집된 정보들은 전술적 분석과 발전에 유용하다. 비디오 영상이 들어오고 파노라마로 전체 농구코트를 생선한 후 코트의 픽셀을 추출한다. 그다음에 convex hull울 만들고 사각형 모양으로 다시 그린다음 mesh 형태로 ..