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 |
- 3d데이터
- 지하철역좌표
- 컨테이너
- graph
- osmnx
- docker
- 그리드분할
- 귀여운고래
- GNN
- python최단거리
- 좌표거리
- 파이썬
- pyvista
- 패치분할
- 동명이인찾기
- 폴더조사
- geopandas
- GCN
- 이미지빌드
- 데이터입수
- geojson
- STL
- Python
- 도커 레이어
- Set
- 알고리즘
- GIS
- MESH
- 도커
- 3d
- Today
- Total
목록분류 전체보기 (86)
이것저것 기록
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/RKpQ7/btqXXja6rSe/Vd9miV8R4fNbvIQiv79Tek/img.png)
건물 레이어, 배경도 레이어, 등등 여러 GIS 관련 오픈데이터를 제공하는 사이트는 많지만 안타깝게도(?) 데이터들 간 좌표계가 달라서 여러 데이터들을 종합적으로 융합하여 사용하기가 매우 어려운 실정이다. 나 같은 경우, 카카오 API를 통해 POI데이터를 WGS84 좌표계로 받았고, 도로명주소 건물 데이터를 ESPG:5181 좌표계로 받았는데, 두 데이터는 좌표계가 다르기 때문에 이 둘의 좌표계를 통합하는 과정이 필수적이었다. QGIS를 통해 좌표계를 변환하는 방법들이나, 좌표계 변환 프로그램도 시중에 많은듯하나 파이썬 코드로 변환하는 방법도 존재하고 (나는) 개인적으로 이 방법이 더 용이하다고 느꼈다. 그래서 오늘은 파이썬으로 좌표계 확인, 좌표계 확인 및 변환 방법에 대해 포스팅 해보려고 한다. 사..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/bcYMMJ/btqTcRa6R9P/2K2HtNbVs7rFFSn1uRwMA1/img.png)
아무래도 졸업 논문에 그래프 관련 모델을 사용하게 될 것 같아서 (특히 whole graphp embedding) 요즘 그래프 이론이나, 파이썬으로 그래프 모델을 구현하는 방법들에 대해 공부하고 있다. 보통 Graph Neural Networks (GNN)에는 DGL이나 NetworkX등의 라이브러리를 사용하는 것으로 알고 있는데, 그래프 임베딩 관련한 라이브러리를 뒤지다가 몇 가지 완제품(?) 라이브러리를 찾게 되었다. 이 중 쓸만한 기능이 있나 어차피 둘러 볼 생각이었고, 공유하면 좋을 듯 하여 이렇게 포스팅을 쓰게 됐다. 우선 이 포스팅에서 짚고 넘어가야 할 부분은, 내가 whole graph embedding을 위해 모델을 찾고 있었다는 점! 그래서 그래프 임베딩 관련한 기능을 중점적으로 정리 및..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/xYUur/btqSLGhK0V5/yfcN6qiWTgRCbg42ClQgt0/img.jpg)
graph2vec의 근간이 된 doc2vec와 word2vec에 대해 조금 더 자세히 기록해보려고 한다. Word2Vec 1. word2vec 개요 word2vec은 비슷한 문맥(context)를 지니는 단어를 비슷한 벡터로 표현하는 distributed word representation 방법이다. 여기서 비슷한 문맥이란, 내가 임베딩 하고자 하는 단어 근처의 단어를 뜻한다. '사랑'이라는 단어를 '사랑'이라는 단어의 사전적 의미가 아닌, '사랑'이라는 단어와 함께 쓰여지는 단어(문맥)들로 사랑의 임베딩 벡터를 만드는 것이다. 살짝 문과적 감성을 섞어보자면 나는 이 방법론에 굉장한 감동을 느꼈다. 사랑, 우정, 의리와 같은 감정을 나타내거나 눈에 보이지 않는 현상을 의미하는 단어들은 사전적 정의로 그것..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/lrH9c/btqSQ4PgXaM/1wyD1ipl7MWnLk0kl8KKI0/img.png)
1. 그래프 임베딩이란 Graph embeddings are the transformation of properties of a graph to a vector or a set of vectors. 그래프 구조의 데이터의 차원을 축소하여 low-dimention 벡터로 표현하는 것 2. 그래프 임베딩의 이유 ML on graphs is limited Embeddings are a compressed representation Vector operations are simpler and faster >> 그래프는 이미지나 시계열과 같이 정형적인 형태의 데이터가 아니다. 때문에 그래프 구조를 가지고 그래프 분류든 예측이든, ML을 활용하여 뭔가를 하기엔 매우 불편하다. 예를 들어보자. CNN의 학습 데이터로..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/yHeyD/btqSKMnNQ9r/yhNKJ40OErLSY74OiHwzj1/img.png)
"...we learn how to aggregate feature information from a node's local neighborhood (e.g. the degrees or text attributes of enarby nodes)." 1. Before graphSAGE... 기존의 그래프 노드 임베딩 방법론에는 factorization-based embedding approach, supervised learning over graphs, GCN이 있었다. Factorization-based embedding approach: Learn low-dimensional embeddings using random walk. statistics and matrix factorization-base..