seouldataprince9877 님의 블로그

보호되어 있는 글입니다.

이번 포스팅은 토스와 하나은행의 자산 관련 기능을 살펴보려고 합니다. 자산 기능은 넓게 계좌/송금/ 자산관리 기능으로 보려고 합니다.  2019년 오픈뱅킹이 도입되면서 모든 시중은행 계좌를 한곳에서 한번에 볼 수 있는 혁신이 이루어졌지만, 여전히 카드 결제 정보 등은 알기가 어려웠습니다. 하지만, 2020년 8월부터 신용정보법 개정안 및 데이터 3법이 도입되며, 나의 데이터를 직접 관리할 수 있는 '마이데이터' 가 도입되면서 이제 한 곳에서 본인의 모든 자산 정보를 관리할 수 있게 되었습니다. 그렇다면 이 마이데이터를 두 기업에서 어떻게 사용하고, 표현하고 있는지 알아보고자 포스팅을 하게 되었습니다. 비교 분석 해볼 내용은 토스와 하나은행의  1. 계좌 화면 비교2. 송금 화면 비교3. 자산관리/분석 화..

각종 금융상식들을 가볍게 제공하는 라운지 서비스 오늘은 토스의 '오늘의 팁'  기능에 대해 서비스 벤치마킹을 해 보려고 한다. ☞ 서비스 정의 / 선택 이유'오늘의 팁' 은 토스가 여러 금융상식들을 카드뉴스, 퀴즈, 아티클, 운세 같은 형식으로 라이트하게 사용자에게 전달하는 라운지 같은 느낌의 기능이다. 이렇게 금융 앱 마다 이런 금융상식을 전달하는 비슷한 기능은 조금 있는 것 같지만, 토스는 예전부터 이 기능의 선구자 느낌이기도 하고, 그저 정보 전달이 아니라 다른 기능으로의 유입 채널도 자연스럽게 열어놓은 아주 전략적인 서비스이자 기획이라고 생각한다. ☞ 사용해보며 서비스 느껴보기 이는 오늘의 팁 기능에 처음 들어갔을 때의 화면이다. 라운지처럼 퀴즈, 오늘의 운세, 카드뉴스, 그리고 금융 정보 아티클..

서론 CNN은 딥러닝의 문을 함께 연 중요한 모델이라고 생각한다. 나로서도 딥러닝에 대해 처음 배울 때 가장 먼저 접했던 모델이기도 하고, 동물의 시각에서 영감을 얻어 만든 모델인 만큼,  인공지능이 인간의 두뇌를 구현하는 것과 똑같다는 생각을 나에게 하게 만든 이유이다.  DMLP와 CNN의 비교  - DMLP : 완전연결 구조로 높은 복잡도를 가진다. 또한, 학습이 매우 느리고 과잉적합의 가능성이 있다.   - CNN : 컨볼루션 연산을 이용한 부분연결 구조로 복잡도를 크게 낮췄으며, 좋은 특징 추출이 가능하다. -> 또한, 격자 구조를 갖는 영상, 음성등의 데이터에 적합하며, 수용장 ( receptive field) 는 인간의 시각과 유사하다.가변 크기의 입력을 처리가 가능한 특징이 있다. CNN은..

서론본격적인 딥러닝으로의 시작이다. 어쩌면 우리 현대 사회의 이런 찬란한 기술발전은 딥러닝 연구가 빛을 보기 시작한 덕분이라고도 생각할 수 있겠다. 본인이 이전까지 포스팅했던 머신러닝의 기반인 multiple layer perceptron에 은닉층을 여러개로 늘린다면 깊은 신경망, 즉 DMLP 가 된다. Deep Learning은 이런 깊은 신경망을 학습시키는 알고리즘이며, 딥러닝은 머신러닝의 부분집합이라고도 할 수 있다. 물론 최근 데이터 분석 분야의 추세는 이미 정형화된 ML에서 벗어나 DL 방법론들이 주류를 차지하고 있고, 사실상 DL이 머신러닝에서 대표인사 격으로 그 비중이 커졌다고 해도 과언이 아니라고 한다. 그래서 딥러닝을 제대로 사용하고, 튜닝하고 모델링하려면 그 이론을 잘 알아야 한다고 생..

서론 학부때 기계학습을 공부하며 훙미롭기도 했고, 재미있게 공부하기도 하였지만 내가 기억했던 가장 큰 관문 중 하나가 바로 오류 역전파 알고리즘이었다. 지금껏 이론상으로만 대강 알고 있었을 뿐 수식과 자세한 부분까지 파고들어갔던  소프트웨어 전공생 다웠던 수업은 나에게 두려움이었던 동시에 호기심이었다. 물론 이 부분도 박사 수준으로 깊게 들어가지는 않은 것이었지만, 여전히 버거운 부분이었다. 그래서 오늘은 다시 그 이야기를 해 보고자 한다. 오류 역전파 알고리즘  목적함수의 정의   일단 훈련집합을 먼저 정의한다. 특징벡터 집합은 X, 부류 벡터 집합은 Y 로 정의하겠다.부류벡터는 one-hot 코드로 표현된다. 이를 설계행렬로 표현하면 ,  다음과 같이 표현될 수 있다.학습의 목표는 모든 샘플을 옳게 ..

서론 저번 포스팅에 이어서 이번에는 다층 Perceptron 에 대해 좀 더 기록해보고자 한다. 개인적으로 이런 기술블로그의 좋은점은 내가 학습했던 예전 기억들을 다시 꺼내서 다시 한번 복기하고, 기록하며 덧씌우는 과정이라고 생각한다. 한번에 끝나는 것이 아닌, 내가 현재 투자하고 있는 시간 하나하나, 내용 하나하나가 나의 앞으로의 직무에서 든든한 기본기가 되어줄 것이라고 생각한다. MLP그렇다면 퍼셉트론을 3개 결합하면 어떻게 될까? 다음 그림처럼 3개의 퍼셉트론을 결합하면 2차원 공간을 7개 영역으로 나누고, 각 영역을 3차원의 점으로 변환한다. -> 그리고 활성함수 t(타우) 로 계단함수를 사용하므로 영역을 점으로 변환할 수 있다. -> 이를 일반화하면, p개의 퍼셉트론을 결합한다면 p차원의 공간으..

서론 오늘은 머신러닝, 딥러닝의 가장 시초가 되었던 Perceptron 에 대하여 다뤄보고자 한다. 학부 인공지능 수업을 처음 들었을 때의 그 신선한 충격과 설렘의 기억이 다시 조금씩 되살아나고 있다. 그때 기억에 남는게 우리가 말로만 듣던 머신러닝, 딥러닝이 어디서부터 시작되었는지에 대한 배움의 설렘이었고, 그 시작이 바로 퍼셉트론 이었다. 인공신경망 신경망은 1943년 매컬릭과 피츠에 의해 최초로 고안되었다. 그 형태가 계속 발전하여 1958년 Rozen Blatt에 의해 퍼셉트론이 처음 고안되었다. 그 후 1969년 민스키와 페퍼트가 퍼셉트론의 한계를 수학적으로 입증하였다. 바로 퍼셉트론은 선형 분류기에 불과하여 XOR 문제조차 제대로 해결하지 못한다는 지적이었다. 그 후 신경망의 연구는 동력을 잃..

서론  SQL은 개인적으로 데이터를 직관적으로 다루는 데에 가장 최적화된 언어라고 생각한다. 소프트웨어를 전공하며 학부 3학년 때 데이터베이스 전공수업을 들으며 SQL을 배웠던게 벌써 1년이 더 지났다. 이미 2022년 군대로부터 복학하며 데이터 분석 분야로의 진로를 꿈꿨지만, 2학년은 시스템프로그래밍과 개발 알고리즘의 늪에서 허우적대며 정작 집중하지 못하였다.  3학년이 되고 데이터베이스 전공수업을 들으며, 데이터에 대한 나의 관심을 다시 한번 확인하고 이를 그저 개발자 입장에서 관리하는 것 보다 더 나아가 이를 분석하여 인사이트를 얻고 비즈니스에 적용하는 일을 하고 싶었다. 그러므로 나에게 굉장히 의미가 있던 수업이었다. 그 때 배운 SQL중 뭔가 가장 까다로웠던 내용이 JOIN의 내용이다. 이를 다..

서론 학부때 국제통상학을 부전공하며 계량경제학 강의를 들었다. 통계는 내가 희망하는 데이터 분석 진로에서 정말 중요한 한 축이었고, 소프트웨어라는 주전공에서 미처 채우지 못한 그 갈증이 나를 해당 수업으로 이끌었던 것 같다. 오늘 포스팅 해볼 내용은 해당 수업에서 흥미롭게, 그리고 중요하다고 생각했던 내용이다.  본 포스팅의 목적은 이를 다시 상기하고, 복습 기록하며 정리하기 위함이다. 머신러닝, 딥러닝또한 중요하지만 통계는 결국 데이터 분석의 기반이다.  1-1. 불편성 (Unbiasedness)- 불편성은 다중회귀분석의 기본 가정들인 강외생성, 설명변수의 비특이성, 비임의성이 성립한다고 먼저 가정한다. 즉, 상상 속에서 N개의 관측지를 수집하는 시행을 무한히 반복한다고 이해하였다. - 본 3가지 가정..