<div id="readability-page-1" class="page"><div id="wrap">
                            <article id="post-Python-DS-131-kierlecture202302" itemscope="" itemprop="blogPost">
    <div>
        
            <header>
                
    
        
    

            </header>
        
        
            
        
        
        <div itemprop="articleBody">
            

            

            

            <blockquote>
<p><a target="_blank" rel="noopener" href="https://scipy.org/">SciPy</a></p>
</blockquote>
<ul>
<li><b>한국에너지기술연구원 AI 학습조직</b>에서는 2023년 한 해동안 <b>데이터 처리</b>를 공부합니다.<ul>
<li>두 번째 시간으로 <a target="_blank" rel="noopener" href="https://scipy.org/">SciPy</a>를 활용한 smoothing을 소개합니다.</li>
<li>smoothing은 신호의 잡음을 억제해 신호를 더 잘 드러내는 기술입니다.</li>
<li>인접한 데이터끼리 평균을 내는 <b>adjacent averaging</b>, 중간값을 취하는 <b>median</b> 외에도</li>
<li>데이터를 따라가며 polynomial fitting을 하는 <b>Savitsky-Golay</b>,</li>
<li>데이터의 주기성을 파악하여 이를 바탕으로 신호를 재구성하는 <b>inverse FFT</b>까지 여러 기법이 있습니다.</li>
</ul>
</li>
</ul>
<ul>
<li><b>이미지 부분 확대</b>를 사용했습니다.<ul>
<li>데이터의 일부를 확대하기 위해 Matplotlib의 <code>Axes.indicate_inset_zoom()</code>을 활용했습니다.</li>
<li>자세한 내용은 소스코드를 참고하시기 바랍니다.<br><img src="https://jehyunlee.github.io/2023/06/20/Python-DS-131-kierlecture202302/131-kierlecture202302_01.png"></li>
</ul>
</li>
</ul>
<ul>
<li>발표 영상 : <a target="_blank" rel="noopener" href="https://youtu.be/swIlsPoprQM">Youtube Link</a><br></li>
</ul>
<p><iframe src="https://www.youtube.com/embed/swIlsPoprQM" frameborder="0" loading="lazy" allowfullscreen=""></iframe></p> 

<ul>
<li>실습 코드 : (<a target="_blank" rel="noopener" href="https://bit.ly/3NaBpX0">https://bit.ly/3NaBpX0</a>)</li>
</ul>

        </div>
		<div>
		  <p><a href="https://www.buymeacoffee.com/jehyunlee" target="_blank">
			<img src="https://jehyunlee.github.io/about/src/images/coffee.png">
		 </a></p><p><b>도움이 되셨나요? 카페인을 투입하시면 다음 포스팅으로 변환됩니다</b>
		</p></div>
		

</div>
    

</article>



                        </div></div>

Pega Devlog

Pega

SciPy
한국에너지기술연구원 AI 학습조직에서는 2023년 한 해동안 데이터 처리를 공부합니다.
두 번째 시간으로 SciPy를 활용한 smoothing을 소개합니다.
smoothing은 신호의 잡음을 억제해 신호를 더 잘 드러내는 기술입니다.
인접한 데이터끼리 평균을 내는 adjacent averaging, 중간값을 취하는 median 외에도
데이터를 따라가며 polynomial fitting을 하는 Savitsky-Golay,
데이터의 주기성을 파악하여 이를 바탕으로 신호를 재구성하는 inverse FFT까지 여러 기법이 있습니다.
이미지 부분 확대를 사용했습니다.
데이터의 일부를 확대하기 위해 Matplotlib의 Axes.indicate_inset_zoom()을 활용했습니다.
자세한 내용은 소스코드를 참고하시기 바랍니다.
발표 영상 : Youtube Link
 
실습 코드 : (https://bit.ly/3NaBpX0)

SciPy Smoothing

댓글