Patrick's 데이터 세상

오늘은 그동안 Streamlit 관련 포스팅 한 내용을 토대로 간단한 데모페이지를 만들어 보겠습니다.데모페이지는 Streamlit를 통해 인터렉티브하게 질의응답을 받을 수 있는 웹 검색 챗봇을 구현해 보았습니다. 페이징 처리 먼저 파일 위치 구성은 Streamlit 애플리케이션을 실행할 메인 파일과 같은 경로에 config.py와 pages에 페이징 처리할 파일을 두었습니다.home.py은 페이지에 접속하면 기본으로 설정될 메인 페이지이고 demo_page.py는 오늘 알아볼 웹 검색 챗봇 데모 페이지입니다. main.pyimport streamlit as stst.set_page_config( page_title="데모 페이지", page_icon="🤖",)# 페이지 정의p1 = s..

Streamlit에서는 상태 관리와 상호 작용을 위한 여러 기능들을 제공합니다.예를 들면 상태 관리는 로그인, 필터 조건, 폼 입력 같은 경우, 페이지를 다시 로드하거나 돌아가도 값이 살아있는 상태로 지니고 있을 수 있습니다.상호 작용은 용량이 큰 데이터와 머신러닝/딥러닝 모델을 캐시로 저장하여 빠르게 반환할 수 있습니다.상태 관리💾 세션 상태 유지 st.session_stateStreamlit 앱은 버튼 클릭이나 입력 등 모든 상호작용 이후 스크립트를 처음부터 다시 실행합니다.그러나 st.session_state를 사용하면 세션 변수를 저장해 동일 사용자에 대한 값들이 유지됩니다. 예) 폼 입력, 필터 조건, 로그인 세션 등 🔄 콜백 기능 위젯 상태가 변경될 때, 특정 함수를 실행하고 상태를 업데..

앱 페이지에서 여러 페이지를 보여주고 싶을 때 페이징 처리를 진행합니다.Streamlit에서는 멀티페이지(Paging) 처리를 위한 두 가지 주요 방식이 있으며, 상황에 따라 선택할 수 있습니다. 📁 pages 디렉터리 streamlit/├── main.py # 진입점 페이지└── pages/ ├── 1_st.set_page_config.py ├── 2_st.columns.py ├── 3_st.container.py ├── 4_st.tabs.py ├── 5_st.expander.py └── 6_st.empty.py 먼저 가장 간단하고 직관적인 방법입니다.프로젝트 구조를 왼쪽과 같이 main 파일이 있는 디렉터리 위치에 pages로 각 페이지..

이번 포스팅에서는 Streamlit으로 레이아웃을 구성하고 화면을 구역을 나눠서 관리하는 방법에 대해 알아보겠습니다. 레이아웃은 앱 환경의 제한된 공간 안에서 정보나 디자인 요소를 효과적으로 배치하는 것을 말합니다.Streamlit에서도 여러 메서드를 통해 레이아웃을 제공하는데요.앱 화면에서 레이아웃을 구성하는 방법은 아래와 같은 특징을 가지고 있습니다. 🎯 사용성 향상 사용자 경험(UX)을 향상해서 중요한 정보나 기능을 쉽게 찾도록 도움 직관적 구성을 통해 학습 곡선 줄이고, 혼란 최소화 버튼, 메뉴, 필터 등 UI 요소가 논리적 흐름에 맞게 배치되면 사용자가 편하게 작업 가능🔎 시각적 안정감 및 인식 효율 계층 구조가 잘 설계된 레이아웃은 사용자로 하여금 어디를 봐야 할지 빠르게 인지 여백과 정렬..

Streamlit은 오픈소스 Python 프레임워크이며, 데이터 과학자를 위한 웹 개발 도구로 데이터 사이언티스트나 AI/ML 엔지니어가 웹 앱을 쉽게 제작하고 배포하는 것이 가능합니다.프론트엔드 개발 언어를 몰라도 쉽게 구조화하여 바로 사이트로 구현할 수 있다는 것이 특징입니다. Streamlit 소개 영상 👉🏻 특징 1. Python 스크립트 기반 선언형 개발•일반 Python 코드처럼 import streamlit as st 후 함수 호출만으로 즉시 UI 요소를 출력합니다. 2. 상호작용 위젯 & 자동 rerun•사용자가 입력하거나 상호작용할 때마다 스크립트를 재실행하여 화면 자동 업데이트 •코드 저장 시 자동으로 앱이 전체 rerun되어, 실시간 반영 3. 데이터 시각화 & 라이브러리 연..

🙋🏻 1월 13일 출간된 제 책을 소개해 드리려고 합니다.주제는 자연어 처리(NLP)를 위한 허깅페이스(Huggingface) 가이드입니다. 실습 코드와 결과물 위주로 언어 모델과 트랜스포머를 이해할 수 있도록 허깅페이스 기능을 담았습니다.Colab 환경 구축, Datasets, Tokenizer, Datacollator, Model, Trainer - Finetuning, PEFT, Quantization, TRL 관련 내용을 제공합니다.👉🏻 이런 분께 추천합니다. 딥러닝 기반 자연어 처리 입문서인공지능 관련 학과 대학생, 딥러닝 기초 지식 보유자실전 프로젝트를 맛볼 수 있는 도서허깅페이스를 깊게 활용해보고 싶은 분업무에 바로 적용할 수 있는 실용서현업 NLP 엔지니어, 다양한 코드로 기술을 레..