티스토리

No Story, No Ecstasy

검색하기

블로그 홈

No Story, No Ecstasy

heave.tistory.com/m

heave_17 님의 블로그입니다.

구독자: 1

방명록 방문하기

주요 글 목록

구글 빅쿼리(BigQuery) 데이터 저장 및 접근 방법 최적화 http://www.yes24.com/Product/Goods/95562895 구글 빅쿼리 완벽 가이드 - YES24 빅데이터, 데이터 엔지니어링, 머신러닝을 위한 대용량 데이터 분석과 처리의 모든 것협업과 신속함을 갖춘 작업 공간을 구축하는 동시에 페타바이트 규모의 데이터셋을 처리해보자. 이 책은 www.yes24.com * '구글 빅쿼리 완벽 가이드' 내용 중 일부를 정리한 글입니다. 네트워크 오버헤드 최소화하기 GCP 외부에서 빅쿼리를 호출한다면, 네트워크 토폴로지를 고려하고, 클라이언트 머신과 데이터셋을 생성한 GCP 데이터센터 사이에 네트워크 경로를 최대한 단축한다. 압축한 부분 응답 REST API를 직접 호출할 때 압축한 부분 응답을 승인해 네트워크 오버헤드를 최소화할 수 있다. 압축한 응답.. 공감수 0 댓글수 0 2021. 10. 6.
구글 빅쿼리(BigQuery) 쿼리 속도 높이기 http://www.yes24.com/Product/Goods/95562895 구글 빅쿼리 완벽 가이드 - YES24 빅데이터, 데이터 엔지니어링, 머신러닝을 위한 대용량 데이터 분석과 처리의 모든 것협업과 신속함을 갖춘 작업 공간을 구축하는 동시에 페타바이트 규모의 데이터셋을 처리해보자. 이 책은 www.yes24.com * '구글 빅쿼리 완벽 가이드' 내용 중 일부를 정리한 글입니다. I/O 최소화 간단한 쿼리의 오버헤드 대부분은 연산이 아니라 I/O에 의해서 발생한다. 1. SELECT의 대상을 명확히 하기 ("SELECT *"의 사용을 최대한 피하고, 가능한 최소한의 컬럼만 참조) 2. 만약 거의 모든 컬럼이 필요하다면, 차라리 "SELECT * EXCEPT" 문법을 통해 불필요한 컬럼을 제거한다.. 공감수 0 댓글수 0 2021. 10. 6.
Beta, Gamma, Dirichlet 분포 이항분포 (Binomial) - 성공확률이 p인 베르누이시행을 n번 반복시행할 때 성공횟수를 나타내는 확률 변수 X의 분포 베타분포 (Beta) - 두 매개변수 a and b에 대해 [0,1]에서 정의되는 연속확률분포들의 가족을 가리킨다. - 대표적으로 이항분포의 성공률 p를 추정할 때 사용한다. - 기댓값 = a / (a+b) - 최빈값 = (a-1) / (a+b-2) 감마분포 (Gamma) - 확률변수 X가 a번째 사건이 일어날 때까지 걸리는 시간일 때, X의 분포를 감마분포라고 한다. - [0, 무한대]에서 정의되는 값을 추정하는데 사용된다. - 람다는 지수분포에서 단위 시간당 발생하는 사건 평균 건수를 의미한다. - a=1, 람다=1/b일 때, 지수분포라고 할 수 있다. (즉, 1번의 사건이 발생.. 공감수 0 댓글수 0 2021. 9. 7.
Ad Segments beyond Look-alike Audience Model https://towardsdatascience.com/data-science-for-ad-segments-moving-beyond-look-alike-modeling-fc0b97ed8bb6 Data Science for Ad Segments : Moving Beyond Look-Alike Modeling Segment Classification, Conversion Predictions, and Uplift Modeling towardsdatascience.com Look Alike Segment? - 주어진 유저 셋과 가장 유사하게 '보이는' 청중을 찾는 기법 - 보통 2개의 정보를 필요로 한다 1. Seed Set 2. Segment Size Limitation? - PU learning과 같은 s.. 공감수 0 댓글수 0 2021. 9. 7.
Too Big To Innovate : 대감집 체험기 (3) 3.1. 혁신이라는 단어의 모호함 새롭게 합류한 부서는 확실히 일반적인 부서들과는 달랐다. 회사도 사양산업에서 탈피하여 새로운 기회를 모색하고자, 팀원들에게 최대한 자유로운 분위기와 다양한 시도를 할 수 있게끔 허락해주고자 했고, (초반에는) 성과 압박같은 것도 주지 않았다. 대감집에서 이런 부서에 합류할 수 있었다는 사실이 굉장히 행운으로 느껴졌고, 다양한 시도를 해보고 싶었다. 하지만 그 기대는 오래가지 못했다. 그 전까지는 생각해보지도 못했던 문제를 만나게 되었다. 혁신을 원하는 사람들이 모였지만, 서로 원하는 혁신의 모습이 너무나도 달랐다. 다양한 형태의 혁신이 있을 것이라고 말한다면 누구나 그렇다고 동의할 것이다. 그러나 혁신이라는 것이 기존에 없던 것을 만들어내는 일이라고 정의했을 때, 혁신을.. 공감수 0 댓글수 0 2021. 9. 1.
규칙 없음 NO RULES RULES 싸니까 믿으니까 인터파크도서 "통제와 규정은, 무능력한 직원에게나 필요한 것!"| 넷플릭스 CEO 리드 헤이스팅스의 첫 책 | 1997년 설립 당시, 넷플릭스는 우편으로 DVD를 대여해 주는 회사에 불과했다. 그러나 2020년 현재는 한국 book.interpark.com " 교향곡이 아닌 재즈. 들리기 시작하면 집중하라. " 너무 유명한 책이라 읽기도 전에 다 읽은 느낌이 들어서, 읽기가 망설여졌던 책이었다. 하지만 쉬는 시기에 읽을 책이 필요했고, 친구의 강력 추천이 있었기에 결국 읽게 되었다. 정신 없이 읽다보니 이런 생각이 들었다. "얘네는 책도 잘 쓰는구나" 넷플릭스가 현존 세계에서 가장 매력적인 이야기들을 들려주는 컨텐츠 제공자임을 잠시 잊고 있었다. 근래 짧지 않은 내용을 이렇게 흡입력있게 .. 공감수 0 댓글수 0 2021. 8. 31.
Too Big To Innovate : 대감집 체험기 (2) 2-1. 확신할 수 없는 확신 첫 부서에서 실무를 하기 전, 신입사원 프로젝트를 수행했던 경험이 떠오른다. 회사는 신입사원이 입사하자마자 조를 만들어서, 신사업을 제안하는 프로젝트를 운영하고 있었다. 신입사원의 고과에도 반영되기 때문에 꽤나 큰 비중을 차지한다고 볼 수 있었다. 당시 대감집에서 잘 해보고 싶었고, 기존에 없었던 혁신을 이뤄보고 싶은 마음이 있었기에, 굉장히 적극적으로 참여했었다. 아이디어를 도출하는 과정이 고통스럽고, 디벨롭하는 과정에 많은 노력을 기울여야 했지만, 나름 괜찮은 프로젝트를 기획했었다고 자부한다. 아이디어 최종 발표가 끝난 후 다른 조의 발표 주제를 들었을 때도 사실 속으로는 1등이라고 확신하고 있었다. 그러나, 결과는 2등이었다. 납득할 수 없는 결과였다. 하지만, 공식적.. 공감수 1 댓글수 0 2021. 8. 31.
Too Big To Innovate : 대감집 체험기 (1) 1-1. 성장성-안정성, 유연함-단단함 그 사이 어딘가 대감집에 입사하기 전, 나는 중소기업에서 S/W 개발자로 사회생활을 시작했다. 당시 회사는 개인의 능력만 봤을 때 뛰어난 사람들이 많았다. 대표님 마인드가 "똑똑한 애들을 키워서 일 시키기" 였고, 사회초년생들 입장에서는 "좋은 처우를 받으며 새로운 분야를 배울 수 있는 기회" 가 있었기에 서로간의 니즈가 부합했던 것이다. 커리어의 변곡점이 필요하던 나도 운 좋게 그 기회를 잡았고, 첫 직장생활을 시작하게 되었다. S/W 전공자가 아니었기에, 실제 제품을 개발하기 위해서 처음 1년은 배우기에 급급했다. 그리고 반년 정도가 더 지나고 일이 점점 익숙해지자, 그 당시 회사의 문제점이 눈에 들어오기 시작했다. 내 눈에 들어온 문제점은 2가지였다. (1) .. 공감수 0 댓글수 0 2021. 8. 28.
Too Big To Innovate : 대감집 체험기 (0) 큰 꿈을 품고 대기업에 입사했지만, 큰 꿈을 품고 대기업을 퇴사했다. (1) 입사 전, (2) 첫 번째 팀, (3) 두 번째 팀, 지난 18개월의 생각을 3개의 시간으로 나눠 정리했다. (1) 성장성-안정성, 유연함-단단함 그 사이 어딘가 Too Big To Innovate : 대감집 체험기 (1) 1장. 성장성-안정성, 유연함-단단함 그 사이 어딘가 대감집에 입사하기 전, 나는 중소기업에서 S/W 개발자로 사회생활을 시작했다. 당시 회사는 개인의 능력만 봤을 때 뛰어난 사람들이 많았다. heave.tistory.com (2) 확신할 수 없는 확신, 효율적으로 주어진 역할에 맞게 Too Big To Innovate : 대감집 체험기 (2) 2-1. 확신할 수 없는 확신 첫 부서에서 실무를 하기 전, 신입.. 공감수 0 댓글수 0 2021. 8. 28.
회사를 떠나기 3년 전 http://www.yes24.com/Product/Goods/13107672 회사를 떠나기 3년 전 3년이면 충분하다, 평생을 지켜주는 나의 일!생애와 경력설계부터 네트워크, 마인드, 비즈니스 로드맵까지.직장에서도 직장을 떠나서도 항상 빛나는 내가 되는 법.쫓기는 삶은 사양한다. 보다 www.yes24.com "책은 인생 최고의 학위다. 평범함에서 비범함으로 도약하는 발판이다." 저자의 메시지는, 적어도 나에게는, 그렇게 새롭지는 않았다. 오병곤 작가는 내가 많이 고민했던 부분들을 한 발 앞서, 더욱 깊게 고민해본 사람이었다. 정말 간단히는, 어디서든 가치 있는 사람이 되기 위한 전문성을 갖춰야 한다는 것이다. 그러나, 어느 책이든 그러하듯, 내게 질문을 던져 주었다. 내가 책으로 쓰고 싶은, 사람들에.. 공감수 0 댓글수 0 2021. 6. 2.
Attention 메커니즘 Attention 메커니즘이란? . 딥러닝 모델이 특정 벡터에 주목하게 만들어 모델의 성능을 높이는 기법 . RNN에서 인코더가 입력을 벡터로 압축시 일부 정보가 손실되는 것을 보정하는 용도로 활용 . Transformer에서는 인코더와 디코더를 만드는데 직접적으로 사용됨 Attention 개발 동기 . 기계번역을 위한 Sequence-to-sequence 모델에서, 모델의 정확도를 높이기 위해 제안됨 . 소스 랭귀지와 타겟 랭귀지의 길이가 길어질수록 모델의 성능이 나빠진다. . 모델로 하여금 '중요한 부분만 집중하게 만들자'가 어텐션 메커니즘의 핵심 아이디어 Attention 핵심 아이디어 . 기본 가정: 인코더가 만든 벡터와 디코더가 예측시 사용하는 벡터가 유사할 것이다. . Q (query), K .. 공감수 0 댓글수 0 2021. 5. 30.
자연어 처리 - Transformer, Bert, GPT-3 1. Transformer . 자연어 처리 분야에서 기존 RNN 계열의 모델들이 갖고 있던 문제를 해결해줌 . 기존의 순차적인 연산에서 벗어나 병렬처리가 가능한 모델로 우수한 성능을 보임 . Multi-head self-attention을 이용해 순차적 연산을 줄이고, 더 많은 단어들 간 dependency를 모델링하는 게 핵심 . 대표적인 모델이 BERT (Bidirectional Encoder Representations from Transformers) . 2020년에는 기존 GPT 모델의 크기를 비약적으로 키운 GPT-3가 등장 . BERT와 달리 GPT-3는 디코더 기반 fine-tuning이 필요 없음 . Few-Shot Learning만으로도 응용 태스크에서 우수한 성능을 달성함 2. 기계번.. 공감수 1 댓글수 0 2021. 5. 30.
오토인코더 (Autoencoder) 오토인코더 . 레이블되어 있지 않은 훈련 데이터를 사용해서 입력 데이터의 효율적인 표현인 코딩을 학습할 수 있는 인공 신경망 . 일반적으로 출력이 입력보다 훨씬 낮은 차원을 가지므로 차원 축소에도 유용하게 사용됨 . 더 중요한 점은 강력한 특성 추출기로 활용할 수도 있다는 것 . 훈련 데이터와 매우 비슷한 새로운 데이터를 생성할 수 있다. (Generative Model) . 대표적인 방법 1. 은닉층의 뉴런 수를 입력층보다 적게 제한한다 2. 입력에 잡음을 추가한 후 원본 입력을 복원할 수 있도록 네트워크를 훈련시킨다. -> 단순히 입력을 바로 출력으로 복사하지 못하게 막고, 데이터를 효율적으로 표현하는 방법을 배우도록 강제시킴 . 항상 입력을 내부 표현으로 바꾸는 인코더와 내부 표현을 출력으로 바꾸는.. 공감수 0 댓글수 0 2021. 5. 30.
심층 신경망 (DNN) 훈련 1. Vanishing Gradient (or exploding gradient) 문제 해결 - Vanishing Gradient란? . 알고리즘이 하위층으로 진행될수록 그래디언트는 점점 작아지게 된다(연쇄적으로 계산하기 때문). . 어떤 경우에는 특정 층의 가중치가 비정상적으로 커져서, 알고리즘이 발산할 수도 있다. (예: RNN) . 심층 신경망이 오랫동안 방치되었던 이유 중 하나 - 중요한 발견: 로지스틱 시그모이드 함수와 표준정규분포를 사용한 가중치 무작위 초기화의 문제 . 이 조합으로 훈련 시, 각 층에서 출력의 분산이 입력의 분산보다 크다는 것을 발견 . 신경망의 위쪽으로 갈수록 분산이 계속 커져 가장 높은 층에서는 활성화 함수가 0이나 1로 수렴 . 로지스틱 함수의 평균이 0.5라는 사실 때.. 공감수 0 댓글수 0 2021. 5. 29.
토픽 모델링 - LDA, Mallet LDA, Guided LDA * 이 글은 rupert님의 블로그의 토픽 모델링 관련 글들을 공부하여 정리한 글입니다. https://bab2min.tistory.com/567?category=673750 [잠재 디리클레 할당 파헤치기] 1. 베이즈 추론 작년에 토픽 모델링이라는 개념을 접하고 깜짝 놀랐어요. 그냥 적당한 크기의 문헌들을 넣어주면 거기에서 적절하게 컴퓨터가 연관된 단어들을 묶어서 주제 분포를 만들어주고, 문헌별로 주제 bab2min.tistory.com 0. 토픽 모델이란 문서에 등장하는 단어들의 분포를 통해 잠재적인 주제를 발견하는 통계적 알고리즘 1. 베이즈 추론 - 토픽 모델링 알고리즘 LDA는 베이즈 추론에 기반한다. - 베이즈 추론의 순서 1. 어떤 사건이 발생할 확률을 가정 2. 추가적인 관측 발생 시, 그.. 공감수 0 댓글수 0 2021. 5. 27.
순차 패턴 분석 기초 순차 패턴 분석 순차 패턴 분석 시간과 순서를 고려한 연관분석이다. 연관 분석은 항목 간 발생 순서는 중요하지 않지만, 순차 패턴 분석에서는 항목 간 발생 순서가 중요한 요소다. 동 분석에 활용하는 데이터는 (1) 트랜잭션 데이터 셋, (2) Identity 정보, (3) Timestamp이며, 오직 Support 값을 활용하여 유용성을 평가한다. 예를 들면, 고객이 버튼 A à B à C 순서로 선택한 지지도가 최소 지지도 이상이면 해당 순차 패턴은 빈발 패턴이므로 중요하게 고려되어야 한다. GSP (apriori-based sequential pattern mining) 첫 DB 스캔 시 length 1의 sequence candidates를 구성하고, 최소 지지도 미만의 후보들을 제외한다. 두 번째.. 공감수 0 댓글수 0 2021. 5. 26.
강화학습 기초 강화학습 Reinforcement Learning (강화 학습) 에이전트가 관측을 하고 주어진 환경에서 행동을 하면 보상을 받을 때, 보상의 장기간 기대치를 최대로 만드는 행동을 학습하는 것이다. 보상을 얻기 위해서는 특별하지 않은(보상=0) 행동들이 꼭 필요하며, 에이전트는 어떤 행동이 실제로 보상을 발생시켰는지 연결고리를 찾아서 “지연된 보상”을 얻어야 한다. Markov Decision Process 모든 상태는 그 직전 상태와, 그 상태에서 에이전트의 행동만이 영향을 미친다고 가정(Markov property)한 프로세스. 정책(행동을 결정하기 위한 알고리즘)을 결정하는데 가장 기본적인 가정으로 많이 쓰인다. The Bellman Equation 상태 s에서 행동 a를 취할 때 받을 수 있는 모든.. 공감수 0 댓글수 0 2021. 5. 26.
HDBSCAN (Hierarchical DBSCAN) Clustering에는 크게 3개의 방법론들이 있다. 1. Distance-based (ex. K-means) 2. Density-based and grid-based (ex. DBSCAN, HDBSCAN) 3. Probabilistic and generative (ex. Mixture Distributed) 2번 방법론 중 가장 대표적인 예는 DBSCAN (Density based Spatial Clustering of Applications with Noise)인데, HDBSCAN (Hierarchical DBSCAN)은 기존의 계층적 클러스터링 개념을 DBSCAN에 입혀서 기존 DBSCAN이 가진 단점을 보완한 방법론이다. 구체적으로는 DBSCAN의 hyper parameter인 eps를 설정할 필.. 공감수 2 댓글수 0 2021. 5. 25.
[Kaggle Visualization] Python basic code import pandas as pd pd.plotting.register_matplotlib_converters() import matplotlib.pyplot as plot %matplotlib inline import seaborn as sns # Path of the file to read flight_filepath = "../input/flight_delays.csv" # Read the file into a variable flight_data flight_data = pd.read_csv(flight_filepath, index_col="Month") plt.figure(figsize=(16,6)) # Add title plt.title("Daily Global Streams of Popul.. 공감수 0 댓글수 0 2021. 4. 28.
[Kaggle Pandas] Python basic code # Pandas import pandas as pd # Creating pd.DataFrame({'Yes': [50,21], 'No': [131, 2]}) df = pd.DataFrame({'Bob': ['I liked it.', 'It was awful.'], 'Sue': ['Pretty good.', 'Bland.']}, index=['Product A', 'Product B']) print(df) print(pd.Series([30, 35, 40], index=['2015 Sales', '2016 Sales', '2017 Sales'], name='Product A')) #Reading df = pd.read_csv("asdf", index_col=0) 더보기 #Choosing between loc.. 공감수 0 댓글수 0 2021. 4. 28.
[Kaggle Feature Engineering] Python basic code 1. Feature Engineering # Feature Engineering # Example) improve performance through feature engineering X = df.copy() y = X.pop("CompressiveStrength") # Train and score baseline model baseline = RandomForestRegressor(criterion="mae", random_state=0) baseline_score = cross_val_score(baseline, X, y, cv=5, scoring="neg_mean_absolute_error") baseline_score = -1 * baseline_score.mean() print(f"MAE Ba.. 공감수 0 댓글수 0 2021. 4. 28.
[Kaggle Data Cleaning] Python basic code # Data Cleaning import pandas as pd import numpy as np df = pd.DataFrame() # 1. Handling Missing Values # Check missing values count missing_values_count = df.isnull().sum() total_cells = np.product(df.shape) missing_cells = missing_values_count.sum() percent_missing = missing_cells / total_cells * 100 print(percent_missing) # Drop missing values # Row df.dropna() # drop rows if it have at least.. 공감수 0 댓글수 0 2021. 4. 28.
[Kaggle Intermediate Machine Learning] Python basic code 1. 기초 import pandas as pd import numpy as np from sklearn.model_selection import train_test_split # Read the data X_full = pd.read_csv('../input/train.csv', index_col='Id') X_test_full = pd.read_csv('../input/test.csv', index_col='Id') # Remove rows with missing target, separate target from predictors X_full.dropna(axis=0, subset=['SalePrice'], inplace=True) y = X_full.SalePrice X_full.drop(['Sa.. 공감수 0 댓글수 0 2021. 4. 28.
[Kaggle Intro to Machine Learning] Python basic code # Basic Data Exploration import pandas as pd data = pd.read_csv('melb_data.csv') print(data.describe()) print(data.dtypes) print(data.head()) # Selecting Data for Modeling print(data.columns) data = data.dropna(axis=0) X = data.copy() #Selecting the prediction target y = X.pop('Price') #print(y.head()) #Choosing "Features" cand_features = ['Rooms', 'Bathroom', 'Landsize', 'Lattitude', 'Longtitud.. 공감수 0 댓글수 0 2021. 4. 28.
리액트를 다루는 기술 개정판 [Context API] 15. Context API - Context API는 전역적으로 사용할 데이터가 있을 때 유용한 기능 - 예) 로그인 정보, 애플리케이션 환경 설정, 테마 등 - 새 Context 만들기 . import { createContext} from 'react'; . const ColorContext = createContext({ color: 'black' }); - Provider를 사용하면 Context의 value를 변경할 수 있다. . Provider를 사용할 때는 value 값을 명확히 명시해야 한다. - 동적 Context 사용하기 . Context의 value에 값이 아닌 함수를 전달할 수도 있다. . onClick: 좌클릭, onContextMenu: 우클릭 (e => {e.preventDe.. 공감수 0 댓글수 0 2021. 4. 24.
리액트를 다루는 기술 개정판 [외부 API를 연동하여 뉴스 뷰어 만들기] 14. 외부 API를 연동하여 뉴스 뷰어 만들기 - 비동기 작업의 이해 > API 호출해서 데이터 받아오기 > API 키 발급받기 > 뉴스 뷰어 UI 만들기 > 데이터 연동하기 > 카테고리 기능 구현하기 > 리액트 라우터 적용하기 - 비동기 작업의 이해 . setTimeout(func, 3000) : 3초 후에 func 수행 - Promise: 콜백 지옥 코드가 형성되지 않도록 ES6에 도입된 기능 . then을 사용하며 그 다음 작업을 설정하기 때문에 콜백 지옥이 형성되지 않는다. function increase(number) { const promise = new Promise((resolve, reject) => { setTimeout(() => { const result = number + 10;.. 공감수 0 댓글수 0 2021. 4. 24.
리액트를 다루는 기술 개정판 [리액트 라우터로 SPA 개발하기] 13. 리액트 라우터로 SPA 개발하기 - SPA (Single Page Application)란? . 기존에는 사용자에게 보이는 화면은 서버 측에서 준비했다. . 리액트 같은 라이브러리를 사용하는 뷰 렌더링은 사용자의 브라우저가 화면 준비를 담당한다. . 인터랙션이 발생하면 필요한 부분만 자바스크립트를 사용하여 업데이트한다. (서버 API로 필요한 데이터만 새로 불러옴) . 라우팅(다른 주소에 다른 화면을 보여주는 것): react-router, reach-router, Next.js 등 - SPA의 단점 . 앱의 규모가 커지면 자바스크립트 파일이 너무 커진다. . 그러나, 코드 스플리팅을 사용하면 라우트 별로 파일들을 나누어서 트래픽과 로딩 속도를 개선할 수 있다. . 자바스크립트를 수행하지 않는 일.. 공감수 0 댓글수 0 2021. 4. 22.
리액트를 다루는 기술 개정판 [IMMER 불변성 유지] 12. immer를 사용하여 더 쉽게 불변성 유지하기 - 전개 연산자와 배열의 내장 함수를 사용하면 간단하게 객체를 복사 및 갱신이 가능하다. - 하지만, 객체의 구조가 엄청나게 깊어지면 불변성을 유지하면서 이를 업데이트하는 것이 힘들어진다. - immer를 사용하면 구조가 복잡한 객체도 매우 쉽고 짧은 코드를 사용하며 불변성을 유지하며 업데이트할 수 있다. - immer 설치 $ yarn create react-app immer-tutorial $ cd immer-tutorial $ yarn add immer - immer 사용법 Ex 1) import produce from 'immer'; const nextState = produce(originalState, draft => { // 바꾸고 싶은 .. 공감수 0 댓글수 0 2021. 4. 22.
리액트를 다루는 기술 개정판 [컴포넌트 성능 최적화] 11. 컴포넌트 성능 최적화 - useState 기본값에 함수를 넣어주면, 처음 렌더링될 때만 함수가 실행된다. . ex) useState(createBulkTodos()) -> 리렌더링마다 호출, useState(createBulkTodos) -> 최초 렌더링 때만 호출 - 크롬 개발자도구 > Performance 메뉴에서 성능 모니터링 - 느려지는 원인 분석 (렌더링이 발생하는 상황) 1. 자신이 전달받은 props가 변경될 때 2. 자신의 state가 바뀔 때 3. 부모 컴포넌트가 리렌더링될 때 4. forceUpdate 함수가 실행될 때 -> 최대한 리렌더링 횟수를 줄여야 한다. - React.memo를 사용하여 컴포넌트 성능 최적화 . 리렌더링을 방지할 때는 shouldComponentUpdat.. 공감수 0 댓글수 0 2021. 4. 22.
Do It! 타입스크립트 프로그래밍 [프로젝트 생성과 관리] book.interpark.com/product/BookDisplay.do?_method=detail&sc.shopNo=0000400000&sc.prdNo=331358159&sc.saNo=003002001&bid1=search&bid2=product&bid3=title&bid4=001 싸니까 믿으니까 인터파크도서 2만 5천원짜리 책 한 권으로 연봉을 1,000만원 이상 올릴 수 있을까? 영국의 'IT 잡 워치(itjobswatch.co.uk)'에 따르면 2020년 2월 타입스크립트의 평균 연봉은 자바스크립트보다 7천 500파운드(우리 돈 약 book.interpark.com . 개발 과정: nodejs 프로젝트 생성 > 개발 언어를 타입스크립트로 설정 (package.json 설정) # @types.no.. 공감수 0 댓글수 0 2021. 4. 18.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.