커리까지

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 ..

선수별로 SVM은 나중에 구해보고 원래대로 한국에서 경기수와 승률 상위 20%와 하위 20%의 스탯을 뽑아 승패를 학습하기 throw_df = pd.read_csv('률lus_win_lose_2.csv') top20 = throw_df.sort_values(['승률','경기수'], ascending=False).reset_index(drop=True)[:20] bottom20 = throw_df.sort_values(['승률','경기수'], ascending=False).reset_index(drop=True)[-20:] display(top20) display(bottom20) 단순히 승률로만 본다면 1경기 뛰고 이기면 100%여서..

svc가 무엇인지, 매게변수가 어떤의미를 가지는지 알아보기 출처 : https://bskyvision.com/163 SVC(kernel='rbf', gamma = gamma, C = C) svm은 데이터를 선형으로 분리하는 최적의 선형 결정 경계를 찾는 알고리즘 c는 이상치의 정도를 설정한다. c를 높일수록 이상치를 엄격하게 관리하는 것이고 c가 낮을수록 이상치의 허용에 관대하다. c가 너무 낮으면 과소적합, c가 너무 높으면 과대적합이 될 가능성이 커진다. 선형 svm으로 한계가 있어서 3차원으로 보고 경계를 짓는 rbf 커널 svm이 나왔다. 그래서 커널을 rbf로 지정해주었다. 감마가 클수록 작은 표준편차를 가진다. 데이터 포인터가 영향력을 행사하는 거리가 짧아진다.

포지션 인코딩 하기 from sklearn.preprocessing import LabelEncoder encoder = LabelEncoder() encoder.fit(df_merge['position']) digit = encoder.transform(df_merge['position']) df_merge['position_label'] = digit 포지션이 영어라서 회귀분석 시 인식이 안되기 때문에 인코딩하여 숫자로 바꾼 후 새로운 컬럼으로 넣어준다. 다중회귀분석 X = df_merge.drop(['age','Relinquished','position'],axis=1) y = df_merge['age&#3..

결국 아마존 서버를 사용해서 딥러닝을 사용하기로 결정 시간 단위로 사용하는게 가장 좋을 것 같아서 스팟인스턴스 환경 구축 충 스팟인스턴스 생성 스팟인스터스를 요청해서 스팟인스턴스를 생성하였다. 최대하격은 $0.9이고 처음 입찰가격은 &0.27이었다. 아주 저렴한 비용으로 서버를 받았다.^^ 그러나 볼륨생성 과정에서 capacity-not-available이라고 나와서 방법을 찾고있다. 지역을 서울로 바꾸니 되었다. 아마 인스턴스 신청 과정에서 뭐가 꼬인것 같다. mobaxterm과 ssh 연결하기 1. SSH에 입력하기 2. 필요한 정보 입력 Remote host에는 퍼플릭 주소를 입력하고 use private key에는 다운받은 ppk파일을 넣는다. sepcify에는 다음과 같이 해당되는 것을 입력한다..

그럼 구종이 다양하면서 단타 비율이 높고 키가 크면서 결정구를 가지고 커맨드가 좋은 선수를 뽑으면 되겠다. 그동안에 방출안된 선수들의 기록을 살펴보자. BABIP이 낮고, WAR이 높고, SwStr과 Swing이 높고 GB,FB,IFFB도 높은 순으로 찾아봐야겠다. 거기에 구종의 개수를 추가하자. 물론 세이브와 안타, 홈런, ERA도 고려해야 한다. kbo타자들이 어떤 공에 취약한지 찾아보고 그 공을 자주 던지는 선수를 찾아보자. 외국인스탯캐스터.groupby(['pitcher_name','pitch_name']).agg({'pitch_name':'count'}) 이렇게 그동안의 구종을 종합해보았다. 외국인스탯캐스터.groupby(['pit..

가상환경 만들고 다시 설정 외부모니터랑 같이 사용중이라gpu가 안 잡히는 거 일수도 있어서 그냥 노트북으로 다시 시도 후....외부 eGPU를 사려고 했지만 노트북이 썬더볼트를 지원하지 않아서 포기하였다....ㅠㅠ 이것도 안 되면 가상환경 지원해주는 곳에서 해보려구 한다. 아니면 msi노브툭을 구매해볼까 하는 작은 꿈을 꾼다.... 똑같이 gpu그래픽부터 다시 설치하였다. 노트북에 맞는 그래픽 다시 설치 CUDA 9.0버전 설치 cuDNN 7.0.5 버전 설치 자세한 path설정 등은 이분 블로그를 참고하였다. 그리고 이번에는 가상환경을 설치하였다. 아나콘다 프롬포트를 관리자 권한으로 실행하였다. (base) C:\Windows\system32>conda create --name deep 가상환경 이름을..

지금까지 했던건 이진분류가 계속 정확도가 낮은 것으로 예측하기보다 우선 변수를 추가하기로 했다. 십자인대, 아킬레스 부상이 대표적으로 선수들의 은퇴를 앞당기는 부상이다. 그래서 십자인대, 아킬레스로 컬럼을 만들어 해당 부상을 당했으면 1, 아니면 0으로 부여하려고 한다. 십자인대 부상 종류 출처 : ROOKIE(http://www.rookie.co.kr) ACL Injury 전방십자인대 부상 PCL Injury 후방십자인대 부상 MCL Injury 내측측부인대 부상 LCL Injury 외측측부인대 부상 부상내역중에 4개의 단어가 들어가면 십자인대로 아킬레스는 Achilles Tendon Rupture가 들어가면 카운트하기로 결정하였다. 그리고 out for season도 따로 컬럼으로 만들어서 넣기로 하..

외부모니터랑 같이 사용중이라gpu가 안 잡히는 거 일수도 있어서 그냥 노트북으로 다시 시도 후....외부 eGPU를 사려고 했지만 노트북이 썬더볼트를 지원하지 않아서 포기하였다....ㅠㅠ 이것도 안 되면 가상환경 지원해주는 곳에서 해보려구 한다. 아니면 msi노브툭을 구매해볼까 하는 작은 꿈을 꾼다.... 똑같이 gpu그래픽부터 다시 설치하였다. 노트북에 맞는 그래픽 다시 설치 CUDA 9.0버전 설치 cuDNN 7.0.5 버전 설치 자세한 path설정 등은 이분 블로그를 참고하였다. 그리고 이번에는 가상환경을 설치하였다. 아나콘다 프롬포트를 관리자 권한으로 실행하였다. (base) C:\Windows\system32>conda create --name deep 가상환경 이름을 deep으로 주었다. (b..

만들었던 csv 불러오기 외국인역대성적 = pd.read_csv('kbo_yearly_foreigners_2011_2018_추가분.csv',encoding='utf-8-sig',engine='python',sep=',') 외국인역대성적.head() 지난번에 승_패를 저장했던 파일을 다시 불러온다. 그러면 이렇게 정상적으로 불러와진다. 현재 승,패가 같이 붙어있으니 따로 나눠서 승,패로 새로운 컬럼으로 넣어주자. 외국인역대성적['승'] = 외국인역대성적['2011년_승_패'].apply(lambda x:str(x).split(' ')[0]) 외국인역대성적['패'] = 외국인역대성적['2..