A IN SIGHT A IN SIGHT

목차들어가며: 혁신적인 언어 모델, 트랜스포머와 LLM트랜스포머의 근간: 어텐션 메커니즘과 아키텍처 2-1. 순환 신경망(RNN)의 한계와 인코더-디코더 구조 2-2. 어텐션 메커니즘의 등장 2-3. 트랜스포머의 핵심: 셀프 어텐션과 아키텍처 구성 요소실전 활용: KoBART를 이용한 텍스트 요약 3-1. 허깅페이스 pipeline으로 KoBART 모델 로드3-2. 한국어 텍스트 토큰화(Tokenization)의 이해LLM 텍스트 생성과 디코딩 전략 4-1. EXAONE-3.5를 활용한 챗봇 답변 생성 예시 4-2. LLM 응답의 다양성을 조절하는 디코딩 전략 (Temperature) 4-3. Top-K 및 Top-P(Nucleus) 샘플링마치며: 언어 모델을 자유자재로 다루기 1. 들어가며: 혁신적인..

목차 들어가며 1. IMDB 데이터 전처리: 텍스트를 숫자로 바꾸는 과정 1-1. 데이터 로드 및 토큰1-2. 가변 길이 처리: 패딩 2. 단어 표현 방식: 원-핫 인코딩 vs. 임베딩 2-1. 비효율적인 방식: 원-핫 인코딩의 문제점2-2. 효율적인 방식: 임베딩 층의 도입과 성능 향상 3. 고급 순환 모델: LSTM과 GRU 셀 3-1. LSTM 셀: 장기 의존성 해결을 위한 게이트 구조3-2. GRU 셀: LSTM의 간소화와 성능 비교3-3. 다층 순환 신경망 구성과 드롭아웃 적용 4. GRU 모델의 최종 성능 확인 마치며 들어가며: 순차 데이터의 구조적 학습 순환 신경망(RNN)은 텍스트, 음성, 시계열 데이터와 같이 순서가 중요한 순차 데이터를 처리하기 위해 설계된 딥러닝 모델입니다. 이전..

합성곱 신경망(CNN)의 이론 및 실습: 이미지 분류와 시각화 정복하기 목차 들어가며: CNN의 핵심 구성 요소 이해와 실전 구현 합성곱 신경망(CNN)의 기본 구성 요소 (이론)1-1. 밀집층과 합성곱층의 차이 1-2. 커널(Kernel)과 필터(Filter), 그리고 특성 맵(Feature Map) 1-3. 패딩(Padding)과 풀링층(Pooling Layer)의 역할실습: Fashion MNIST 분류 모델 구축 (코드 구현)2-1. 데이터 준비 및 CNN 모델 구조 설계 2-2. 모델 훈련 및 성능 평가심화: CNN의 작동 원리 시각화 3-1. 학습된 가중치(필터) 시각화: 필터는 무엇을 배웠는가? 3-2. 특성 맵(Feature Map) 시각화: 이미지는 어떻게 변환되는가? 마치며: 이론과 실..

목차 들어가며: 케라스(Keras)를 이용한 심층 신경망 모델 훈련인공 신경망과 Fashion MNIST 데이터 준비로지스틱 회귀를 통한 성능 비교기본 심층 신경망(DNN) 모델 구성 및 훈련심층 신경망: 렐루(ReLU)와 옵티마이저(Optimizer) 최적화모델 훈련 과정 분석 및 과대적합(Overfitting) 제어마치며: 효율적인 신경망 훈련을 위한 핵심 전략1. 들어가며: 심층 신경망 모델 훈련안녕하세요! 이 글은 인공 신경망(Artificial Neural Network, ANN) 모델을 구현하고 훈련하는 실습 과정입니다. 먼저 이 글에서는 Fashion MNIST 데이터셋을 사용하여 옷 이미지를 10가지 클래스로 분류하는 다중 분류(Multi-class Classification) 문제를 해결..

목차 들어가며: 데이터 인사이트를 찾는 두 축, 통계적 추론과 머신러닝 예측. 1. 통계적으로 추론하기: 데이터 뒤에 숨겨진 진실 찾기 1-1. 중심극한정리: 통계적 추론의 기본 원리 1-2. 신뢰구간 추정: 모집단 평균의 예상 범위 설정 1-3. 가설검정 (T-검정): 두 그룹 차이의 유의성 판단 1-4. 순열검정: 비모수적 가설 검정의 강력한 대안) 2. 머신러닝으로 예측하기: 미래를 설계하는 모델 만들기 2-1. 선형 회귀: 연속적인 값 예측 2-2. 로지스틱 회귀: 범주형 결과 분류 예측 2-3. 모델 평가 지표: 성능의 객관적 측정 2-4. 모델 성능 해석: 지표를 통한 개선 방향 설정) 마치며: 데이터 분석 능력 향상을 위한 실습의 중요성. 들어가며: 데이터 인사이트를 찾는 두 축,..

목차 들어가며: 파이썬 코드의 구조화와 재사용성 극대화 1. 파이썬 모듈(Module) 활용: 라이브러리와 시스템 제어 1-1. datetime 모듈: 현재 시간과 시간 간격 1-2. time 모듈: 코드 실행 일시정지 (sleep) 1-3. 모듈 임포트(Import)의 네 가지 방식 /1-4. os 모듈: 시스템 경로 및 파일 조작 1-5. numpy 모듈: 수치 연산 라이브러리) 2. 파이썬 클래스(Class)와 객체지향 프로그래밍 (OOP) 기본 2-1. 클래스, 객체, 인스턴스의 정의 2-2. 클래스 정의, 생성자 (__init__), 인스턴스 속성 2-3. 인스턴스 메서드와 속성 수정 2-4. 소멸자 (__del__)와 클래스 변수) 3. 클래스 상속(Inheritance)과 메서드 오..

목차들어가며: 고차원 데이터 분석의 필수 도구, K-평균과 PCA과일 이미지 데이터 준비 및 전처리 과정2-1. 데이터 로드 및 2차원 배열로 변환군집화의 기본: K-평균(K-Means) 알고리즘 적용 3-1. K-평균 모델 학습 및 결과 확인 3-2. 최적의 K 찾기: 엘보 메서드(Elbow Method)고차원 데이터의 해결사: 주성분 분석(PCA) 4-1. PCA 모델 적용 및 차원 축소4-2. 차원 축소된 데이터에 K-평균 재적용마치며: K-평균과 PCA를 활용한 효율적인 비지도 학습 1. 들어가며: 고차원 데이터 분석의 필수 도구, K-평균과 PCA안녕하세요! 이번 시간에는 비지도 학습의핵심 기술, K-평균(K-Means) 군집화와 주성분 분석(PCA, Principal Component An..

목차들어가며: Matplotlib 그래프, 더 자유롭게 다루기그래프 꾸미기의 시작: 객체지향 API2-1. Pyplot 방식 vs 객체지향 API 방식2-2. 한글 폰트 설정하기데이터 시각화 실전: 산점도 개선하기3-1. 기본 산점도 그리기3-2. 마커 크기와 색상으로 정보 추가하기3-3. 컬러바(Colorbar) 활용하기Matplotlib 고급 기능 활용4-1. 하나의 Figure에 여러 그래프 그리기 (선, 막대)4-2. 누적 정보를 보여주는 스택 그래프 (영역, 막대)4-3. 비율을 보여주는 원 그래프 (파이 차트)4-4. 서브플롯으로 여러 그래프 한 번에 배치하기더 간편한 시각화: Pandas 플롯 기능마치며: 데이터의 스토리를 만드는 시각화 기술 들어가며: Matplotlib 그래프, 더 자유롭..