최근 포스트
RAG 아키텍처 설계 실험기
RAG 아키텍처 설계 실험기
OCR + LLM 결합 사례
OCR + LLM 결합 사례
기존 자동화 테스트 플랫폼에 LLM을 붙이는 방법
기존 자동화 테스트 플랫폼에 LLM을 붙이는 방법
LLM API 서버 운영 실전기
LLM API 서버 운영 실전기
CLI 기준 비교 - Codex vs ChatGPT vs Claude vs Cursor
최신 AI 서비스 CLI 비교 (Codex 중심)
AI Agent 구조 설계 완전 정리
AI Agent 구조 설계 완전 정리
Python - 2차원 리스트 생성 방식과 차이점 정리
파이썬 2차원 리스트 생성 방식과 차이점 정리 1. 문제 배경 파이썬에서 2차원 리스트(배열)를 만들 때, 겉보기에는 동일해 보이는 코드라도 내부 메모리 구조가 완전히 달라질 수 있습니다. 이 차이를 이해하지 못하면 다음과 같은 문제가 발생합니다. BFS/DFS에서 v...
머신러닝 - [PyTorch 기초] 딥러닝으로 회귀(Regression) 모델 만들기 - 당뇨병 데이터 예측
이번 글에서는 파이토치(PyTorch)를 사용해 가장 기본적인 머신러닝 문제 중 하나인 회귀(Regression) 모델을 만드는 과정을 정리해보려고 합니다. 이론과 실습 코드를 함께 살펴보겠습니다. 이번에 다루는 주제인 “회귀 모델링”은 인공지능의 큰 그림에서 다음과 같은 위치...
머신러닝 - [PyTorch 기초] 숲속 나무 종류 예측하기
[PyTorch] 숲속 나무 종류 예측하기: fetch_covtype 데이터셋으로 배우는 딥러닝 모델링 A to Z 인공지능은 어떻게 광활한 숲속 나무의 종류를 구분할 수 있을까요? 이번 포스트에서는 Scikit-learn의 fetch_covtype 데이터셋을 활용하여, 54개의...
머신러닝 - 머신러닝 실험 재현성과 모델 성능 평가
머신러닝 실험 재현성과 모델 성능 평가 1. Random Seed 고정 1.1 개념 Random Seed: 난수 생성기의 시작값 모델의 초기 가중치, 데이터 섞기(shuffle), 학습/검증 데이터 분리 등에 난수가 쓰입니다. Seed 값을 고정하면 매번 같은 난...
머신러닝 - 학습의 원리와 경사하강법 완전 정복
머신러닝 학습의 원리와 경사하강법 완전 정복 1. 머신러닝 학습의 목표 머신러닝 모델의 목표는 예측을 잘하도록 가중치(Weight, w)와 편향(Bias, b)를 적절한 값으로 찾는 것입니다. 이 과정을 수학적으로 표현하면, **비용 함수(Cost Function)**를 최소화...
머신러닝 - EDA부터 분류 모델까지(Seaborn 라이브러리와 펭귄 데이터)
펭귄 데이터 탐색 및 전처리 seaborn 라이브러리에 내장된 펭귄(penguins) 데이터셋을 사용해 데이터의 특성을 파악하고 머신러닝 모델에 적용할 수 있도록 데이터를 가공하는 탐색적 데이터 분석(EDA) 및 전처리 과정을 살펴보도록 하겠습니다. 주요 분석 목표는 펭귄의 신...
예측에서 분류까지 - 선형 회귀를 S-커브로 바꾸는 시그모이드
예측에서 분류까지: 선형 회귀를 S-커브로 바꾸는 시그모이드 From Prediction to Classification: Sigmoid Transforms Linear Regression into S-Curves 통계학과 머신러닝의 세계에서 우리는 숫자를 예측하기도 하고, ‘...
AI - 선형 회귀와 로지스틱 회귀 핵심 정리
AI 기초 다지기: x 핵심 정리 🤖 인공지능과 머신러닝의 가장 기본이 되는 두 가지 모델, 선형 회귀와 로지스틱 회귀에 대해 알아보겠습니다. 이 두 모델은 데이터의 패턴을 파악하고 미래를 예측하는 가장 직관적인 방법 중 하나입니다. 1. 선형 회귀: 데이터의 패턴을 직선으...