여행하는 디발자

📅 데일리 학습• 6월 20일 (월)[54일차] AI 에이전트 - @decorator, n8n 타입스크립트나 Go처럼 타입이 엄격한 언어를 주로 사용하다가 파이썬을 배우니 처음에는 타입이 없어 조금 불편하다고 생각했다. 하지만 @decorator를 사용하면 기능을 깔끔하게 분리하고 코드도 더 이해하기 쉽게 만들 수 있다는 점을 알게 되었다. n8n도 간단한 자동화를 만들 수 있는 도구라고 들었는데, 잠깐 사용해보니 생각보다 어렵게 느껴졌다. 나중에 직접 프로젝트를 만들면서 어떤 식으로 연결해서 사용하는지 다시 익혀보고 싶다.• 6월 21일 (화)[55일차] AI 에이전트 - 추천시스템 llm LLM과 LanceDB를 이용해 추천 시스템을 만들어봤다. 한 번 따라 해본 것만으로는 아직 감이 잘 오지 않았..

📅 데일리 학습• 6월 15일 (월)[49일차] RAG - Load, Chunking 여러 가지 파일을 Load할 수 있다는 것을 알게 되었고, 어떤 Loader를 사용하는지에 따라 데이터를 불러오는 방식이 달라진다는 것을 배웠다. 역시 모든 일에 기초가 중요하듯이, 데이터의 품질이 좋아야 하고 이를 깨지지 않게 잘 불러오는 과정도 중요하다는 것을 느꼈다. Load 방식도 다양하고 Chunking 방식도 여러 종류가 있어서 어떤 기준으로 선택해야 할지 고민이 된다. RAG에서는 Chunking이 매우 중요한 요소인 것 같은데, 다양한 방식을 직접 적용해 보면서 경험을 쌓아야 할 것 같다.• 6월 16일 (화)[50일차] RAG - Embedding, VectorDB VectorDB는 이름만 들어봤지 ..

더보기📌 목차 1. CNN 개요2. CNN 구조3. 합성곱층 (Convolution Layer)- 합성곱 연산- Kernel- Stride- Padding- Feature Map4. 활성화 함수 (Activation Function)5. 풀링층 (Pooling Layer)6. Flatten Layer7. 밀집층 (Fully Connected Layer)8. CNN의 장점9. CNN의 단점10. 출처CNN (Convolutional Neural Network, 합성곱 신경망)1. CNN 개요이미지 처리 및 패턴 인식에 특화된 딥러닝 모델이미지의 공간적 특징(Spatial Features) 추출픽셀(RGB 값)로 구성된 격자(Grid) 형태 데이터 처리객체 인식, 이미지 분류, 얼굴 인식, 영상 분석 등에..

📅 데일리 학습• 6월 1일 (월)[40일차] 자연어 처리 개요 지난 자연어 처리 학습에서 데이터 정제와 빈도수 분석, 토픽 분석을 진행했다면 오늘은 한 단계 더 나아가 네트워크 분석과 감성 분석을 학습했다. 네트워크 분석은 단어들 사이의 관계를 시각화하여 어떤 단어들이 함께 등장하는지 파악하는 방법이다. 단순히 많이 나온 단어를 확인하는 것이 아니라, 단어 간 연결 구조를 통해 핵심 주제와 연관성을 이해할 수 있다는 점이 인상적이었다. 감성 분석은 리뷰나 문장을 긍정, 부정과 같은 감성 라벨(Label)로 분류하여 사용자 반응을 분석하는 기법으로, 실제 서비스 운영 과정에서 사용자 만족도나 불만 사항을 파악하는 데 활용될 수 있다는 점을 알게 되었다. 또한 TF-IDF(Term Frequency–In..

1. 자연어 처리(NLP, Natural Language Processing)사람이 사용하는 언어(자연어)를 컴퓨터가 이해하고 처리할 수 있도록 만드는 기술과거에는 사람이 언어 규칙을 하나씩 컴퓨터에 직접 알려주는 방식이었지만, 이후 딥러닝 기술이 발전하면서 현재의 LLM(Large Language Model)까지 발전하게 되었다. 발전 흐름규칙 기반 NLP ↓통계 기반 NLP ↓딥러닝 NLP ↓LLM (ChatGPT 등) 2. 텍스트 마이닝(Text Mining)NLP로 정리된 텍스트 데이터에서 의미 있는 정보나 패턴을 추출하는 과정목적주요 키워드 파악관심사 분석주제 분석감성 분석문서 분류3. 텍스트 분석 과정텍스트 데이터 수집 ↓전처리 ↓토큰화(형태소 분석) ..