huiyu's blog

https://devk0ng.github.io/2021/07/27/saga_pattern/#SAGA-Pattern Saga Pattern이란?(Orchestration and Choreography) | devk0ng's blog2-Phase Commit 우선 먼저 MSA구조 이전에는 분산 데이터베이스에 대해 어떻게 트랜잭션을 만족시켰는지 보자!! 이때는 2-Phase Commit이라는 방법을 사용했어!! 참고로 사용하는 데이터베이스가 분산 트devk0ng.github.io  https://devyonghee.github.io/theory/2022/09/24/orchestration-vs-choreography/ [마이크로서비스] Saga Pattern 자세히 알아보기 (feat. orchestratio..

https://velog.io/@suhongkim98/MSA%EC%99%80-DDD-%EB%A7%88%EC%9D%B4%ED%81%AC%EB%A1%9C%EC%84%9C%EB%B9%84%EC%8A%A4-%EA%B0%84-%ED%86%B5%EC%8B%A0-%EB%B0%A9%EB%B2%95-4-%EC%9E%91%EC%84%B1-%EC%A4%91 마이크로서비스 간 통신 과정에서 주의해야할 점SW마에스트로에서 본 프로젝트를 MSA로 설계, 개발하면서 마이크로서비스 간 통신을 어떻게 가져가야할지 고민을 하였다.프로젝트를 MSA로 설계, 개발하면 마이크로서비스 간 통신은 필연적으로velog.io  https://velog.io/@suhongkim98/MSA%EC%99%80-DDD-%EC%9D%B4%EB%B2%A4%ED..

https://learn.microsoft.com/ko-kr/azure/architecture/guide/ Azure 애플리케이션 아키텍처 기본 사항 - Azure Architecture Center확장성과 복원력이 있고 가용성이 뛰어난 Azure에서 애플리케이션을 디자인하기 위한 체계적인 방식learn.microsoft.com

Structure Diagram - Class Diagram - Component Diagram Behaviour Diagram - Use Case Diagram  - Sequence Diagram - Activity Diagram - State Machine Diagram

* Include : Use-case 다이어그램에서 "include" 관계는 한 유즈케이스가 다른 유즈케이스를 포함하고 필수적으로 실행해야 할 때 사용됩니다. 이 관계는 재사용성을 높이고, 유즈케이스 간의 중복을 줄이며, 다이어그램의 복잡성을 줄이는 데 도움을 줍니다.* Extend : Use-case 다이어그램에서 "extend"는 한 유즈케이스가 다른 유즈케이스의 기능을 확장할 때 사용되는 관계를 설명합니다. 이 관계는 특정 조건이 충족될 때 선택적으로 실행될 추가적인 기능을 나타냅니다. 기본 유즈케이스의 실행 흐름이 중단되지 않고, 확장된 유즈케이스가 필요에 따라 추가적인 기능을 제공할 수 있습니다. https://devjaewoo.tistory.com/15

1. 인스턴트 시작 Ubuntu로 설정후 생성 키페어 생성 후 설정 스토리지 같은 경우 기본 옵션 설정 후 시작 2. 고정 IP 사용하기: 탄력적 IP 설정 -네트워크 및 보안 > 탄력적 IP 설정 작업>탄력적 IP 연결 후 생성한 인스턴스 연결 3. Putty로 세팅한 고정 IP로 연결 putty를 연결한 WinScp 실행. 호스트 이름에 설정한 고정 IP, 사용자 이름에 ubuntu, 비밀번호에 인스턴스 생성 시 만든 키파일을 선택하여 입력한다. 키파일은 고급>SSH>인증에서 개인키 파일을 선택하여 설정. 4. Ubuntu 서버 터미널 설정 WinSCP에서 모니터번개 모양(putty 연결) 을 선택한다. 콘솔에서 root권한 변경 >sudo su apt upate >apt-get update ngix..

import from sklearn.preprocessing import MinMaxScaler from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score MinMax Scaler scaler = MinMaxScaler() df_res_scaler = scaler.fit_transform(df_res) Kmeans & silhouette_score model = KMeans(n_clusters=k) model.fit_transform(df_res_scaler) model.labels_ sil = silhouette_score(df_res_scaler, model.labels_) sil.round(2)

import from sklearn.preprocessing import MinMaxScaler from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsRegressor from sklearn.metrics import mean_squared_error import pandas as pd X, y X = y = train_test_split X_train, X_test, y_train, y_test =train_test_split(X,y,test_size=0.2,random_state=123) MinMaxScaler() scaler = MinMaxScaler() x_train_scaler = s..

1. get_dummies() df_dum = pd.get_dummies(df_obj) df_dum 2. One-Hot Encoder from sklearn.preprocessing import OneHotEncoder ohe = OneHotEncoder(handle_unknown='ignore') #명목형만 빼서, X_train_obj = ohe.fit_transform(X_train[col_cate]) X_test_obj = ohe.transform(X_test[col_cate]) 3. One-Hot Encoding 적용 후 합치기 (1) concat 사용 X = pd.concat([df_screen_rem, df_dum], axis=1) (2) sparse 사용 from scipy import sp..

Q1. 눈이 1부터 6까지 있는 주사위를 두 번 던질 때 나오는 수 중 3의 배수가 존재할 확률은? -> 1 - (3배수가 나오지 않을 확률 x 3배수가 나오지 않을 확률) = 1 - (4/6) x (4/6) = 1 - (16/36) = 20/36 = 5/9 Q2. 주사위를 5회 던졌다고 가정했을 때 주사위의 숫자 중 관심있는 숫자 5가 3회 이상 나타날 확률은? (소수 세째자리) *이항분포의 확률 공식 P(X) = (n,k)p^x(1-p)^n-x (n,k) = nCk => n개중 k개를 고르는 경우의 수 = n! / k!(n-k)! *파이썬을 이용하기 1) 팩토리얼도 파이썬으로 import math math.factorial(5) / (math.factorial(5) * math.factorial(0)..